基于信号包络及短时过零率的心音分段算法

心音能有效地反应心脏尤其是瓣膜活动状况,研究基于心音的心脏病决策系统具有重大意义。心音分段是建立心音决策系统的基础和前提,其目的是定位心音的主要成份,为特征提取与模式识别提供定位基准。本文通过使用双门限、迭代等方法,改进了基于信号能量的分段算法,并首次引入短时过零率以更准确地定位分段边界。实验结果表明,该算法对正常心音及常见异常心音分段效果良好。

基于短时平均能量和短时过零率的藏语语音端点检测研究

语音端点检测是语音处理分析过程中的重要环节之一,该文介绍了语音端点检测的两个传统算法即短时平均能量和短时过零率,并将这两种算法结合起来进行藏语语音进行端点检测。运用Matlab编程和仿真验证了双门限判断法在藏语语音端点检测中的准确性。这种方法降低了藏语语音处理的时间、提高了处理的质量、可用来进行一些藏语语音识别的特征参数的提取。

一种结合短时过零率的快速语音端点检测算法

针对传统的频带方差检测算法运算量较大的问题,提出一种结合短时过零率的快速算法.该算法通过将平方运算转换为求绝对值运算,减小了计算量;绝对值运算相当于在相邻帧之间进行"谱减",有效地抑制了白噪声的干扰,在低信噪比条件下显示出其优越性.

基于短时能量和短时过零率的VAD算法及其FPGA实现

介绍了一种基于短时能量和短时过零率的VAD算法,并对该算法进行了硬件实现。对其中主要的运算模块——滤波器和平方器模块,在硬件实现方法上进行了优化和改进,取得了较好效果使其在保证实时性要求的同时节省了资源,为进一步向低成本器件上移植或系统中作为IP模块应用提供了可能性。

语音短时幅度和短时过零率分析与应用

给出一段语音,对这段语音的清浊音进行了研究。为了区分该语音的清音段与浊音段,提出一种短时幅度和短时过零率相结合的方法。分析比较了短时幅度和短时过零率分别出现的不同结果。短时幅度值Mn大的对应于浊音段,而Mn值小的对应于清音段。高平均过零率对应于清音,低平均过零率对应于浊音,分析结果表明将短时幅度和短时过零率结合起来的方法可以大体上区分清音段和浊音段。

基于短时能量和短时过零率的远程广播信号监测研究

广播信号远程监测过程中,最重要的一项监测内容是判断当前播出的是正常的语音(音乐)信号还是噪声。若未播出正常广播信号,说明广播发射系统可能存在故障。因此,利用电脑远程监测的重点在于准确地判断信号的噪声区域。为此,将收音机输出的广播信号输入至电脑,利用短时能量、短时过零率、短时傅里叶变换对音频信号进行时域和频域的分析,选取合适的能量和过零率阈值,对输入的语音信号进行分析判断,以确定播出是否正常。

基于短时幅度-过零率函数识别抽油井液面回波

基于液面回波短时过零率较低的显著特征和新定义的短时幅度函数,提出一种新的液面回波的综合识别方法,将含有幅度敏感因子的短时幅度函数与短时过零率函数相结合构造出了一个短时幅度-过零率函数,利用该函数逐帧地对回波信号进行计算,可识别出液面回波。与传统方法相比,可显著降低误判。通过阈值方法或其他方法可确定液面回波到达时刻。通过对比分析与实际计算给出了短时幅度-过零率函数的参数及帧长的选择范围。合适的函数参数和帧长可在一定程度上提高识别能力。现场应用表明该方法是可行的,与传统的单一幅值的识别方法相比,该方法对液面回波的正确识别能力有较大提高。

基于短时自相关及过零率的语音端点检测算法

传统的基于短时能量端点检测算法,在高信噪比环境下可以比较准确地检测出语音端点,但在低信噪比环境下检测效果不理想。文中提出了基于短时自相关最大值与短时过零率之积的改进算法。利用短时自相关最大值可以有效地区分出语音段和噪音段,利用短时过零率可有效地检测出清音信号,将两参数相结合可有效地检测出低信噪比语音信号的端点。实验证明,在低信噪比环境下该改进算法相比短时能量算法减小了检测误差,可以有效地检测出语音端点。

基于短时平均幅度和短时平均过零率的藏语语音端点检测研究

本文通过短时平均幅度和短时平均过零率相结合的方法,实现了藏语语音的端点检测,在此基础上可实现有声段和无声段的区分和音节的切分、清浊音的切分,为语音识别奠定了重要的基础,所做结果用Visual C++6.0实现。

模式匹配和过零率检测的音频差错掩盖

针对用传统波形替代方法恢复音频波形变化趋势不准确的问题,将模式匹配和短时过零率检测结合应用于音频的差错掩盖研究中。在对丢帧后的音频信号数据进行模式匹配的掩盖基础上,将从模式匹配模块输出的音频信号数据和参考信息一同送入短时过零率检测模块,进一步对丢失数据进行掩盖,最终将从短时过零率模块输出的参考帧作为丢失帧的替代,从而得到音频信号的重构。与传统方法相比,在音频信号的重构效果上,获得了更好的恢复音频。实验证明,该算法对音频差错的掩盖更加精确,信噪比值平均提高了0.3～0.5 dB,主观语音质量评估值平均提高了0.3。

基于平均幅度和加权过零率的VAD算法及其FPGA实现

介绍了一种平均幅度和加权过零率的VAD算法,并对该算法进行了硬件实现。对其中主要的模块,在硬件实现方法上进行了优化,取得了较好效果,使其在保证实时性要求的同时节省了资源,为进一步向低成本器件上移植或系统中作为IP模块应用提供了可能性。

语音端点检测中能零比方法的改进

传统的基于语音信号短时能量与短时过零率之比的单参数双门限端点检测方法对高信噪比的语音信号能实现较好的检测,而在低信噪比的情况下检测正确率却很低。本文在研究了语音信号的非线性分析方法后,提出了一种改进的端点检测方法。首先,对分帧加窗后的每一帧带噪语音信号进行经验模态分解求其短时Teager能量;然后,求每一帧的短时过零率,平滑处理之后进行归一化;最后,求出短时Teager能量与归一化短时过零率之比用于端点检测。经过仿真实验证明,本文提出的改进方法能够在低信噪比的带噪环境下实现比传统能零比方法更好的端点检测效果。

一种基于改进能零法的连续语音端点检测方法

端点检测是语音识别和语音情感识别系统中极其关键的一步，其检测的效果直接关系到后续的参数计算和识别的结果．在分析了经典的基于短时能量和短时过零率的端点检测算法（能零法）的基础上，总结了其不足之处，并提出了改进的方法．改进后的算法通过对相邻两帧信号的短时能量正向做差来确定语音信号的起始点，反向做差来确定语音信号的终点；并且利用信号与背景噪声的短时过零率之比来修正语音信号的终点．MATLAB仿真结果表明，改进后的算法具有很好的端点检测效果．

基于短时平均幅度的语音端点检测的改进

介绍了计算机语音处理中端点检测的方法,分析了短时平均幅度的语音端点检测的不足之处,并提出改进方法,最后给出实验结果。

基于贝叶斯最小错误率的一种语音端点检测算法

提出一种基于贝叶斯最小错误率的语音端点检测算法.说明短时平均幅度和短时平均过零率两种语音特征的选取方法,根据最小错误率的贝叶斯决策分别确定了合适的门限值,并将该方法在作者建立的语音数据库中进行了语音起点和终点测试.实验结果证明,与仅用幅度或能量特征的方法相比,本文方法能够提高语音端点检测的准确性.

多特征相结合的带噪语音端点检测算法的研究

提出了一种抗噪声的端点检测新方法。针对谱熵特征对清音的检测性能以及抗噪声性能较差的缺点,结合对清音检测性能较好的短时过零率特征,以及抗噪声性能良好的美尔倒谱距离特征,实现了基于多种特征相结合的抗噪声的语音端点检测。仿真实验表明,该方法能显著提高端点检测在高噪声环境下的检测性能。

光纤周界安防系统端点检测技术的研究

光纤周界安防系统是一种利用光纤作为传感介质的传感系统,通时计算机对传感系统的输出信号进行处理。以往的算法都是对计算机接收到的信号直接进行定位及模式识别处理,由于接收到的信号在大部分时间都是无用的静默信号,限制了系统的效率。在简单阐述光纤周界安防系统原理的基础之上,介绍了端点检测技术,有效截取信号中的有用目的信号,最后结合实验数据,着重分析了短时能量和短时过零率两种端点检测方法所存在的问题,并提出了相应的改进办法,滤除了无用信号,并在一定程度上排除了自然界中风和雨的干扰。

基于改进双门限法的语音端点检测研究

语音信号的端点检测是语音识别过程中的重要环节,端点检测结果精确与否直接关系着语音识别的准确度。使用车载语音作为测试数据,利用传统双门限法进行端点检测,发现传统双门限方法在静音条件下和带噪条件下获得语音端点检测信息存在较大误差。针对上述问题,提出了一种改进的双门限法进行语音端点检测,针对语音信号以及短时平均能量和过零率进行处理,并通过Matlab进行仿真,实验结果说明提出的改进方法与传统方法相比,在静音和带噪条件下,都更接近测试数据中真正的语音端点。

基于音频特征和模糊神经网络的禽流感病鸡检测

为了能在早期发现禽流感并进行预防,该文提出了一种基于音频特征和模糊神经网络的禽流感病鸡检测方法。依据获取的家禽音频和环境及其他噪声的谱熵差别大的特点,在复杂环境中分析并提取出鸡声,丢弃非鸡声段,对提取的鸡声进行分析及处理,计算短时过零率、短时能量以及短时过零率与短时能量混合特征,用作判别患禽流感的病鸡和健康鸡的依据。利用T-S模糊神经网络,对提取出来的家禽音频特征进行训练和识别,试验表明隶属度函数为钟形函数、隶属度个数为2时模糊神经网络对试验提取的3个鸡声特征组成的3组测试集的敏感性分别为75.47%、80.39%和76.92%,特异性分别为80.85%、79.59%和72.92%,正确识别率分别为78%、80%和75%。该研究为规模化家禽养殖场及大型家禽流通市场的禽流感病禽识别提供一套快速、高效检测方法。

基于多特征融合的蛋鸡发声识别方法研究

为更好地利用音频进行畜禽发声分类,进一步提高识别准确率,提出了一种基于多特征融合的蛋鸡发声识别方法。以栖架式养殖模式下蛋鸡的产蛋声、鸣唱声、饲喂声、尖叫声典型音频为研究对象,提取梅尔频谱系数、短时过零率、共振峰及其一阶差分作为融合特征参量,构建基于遗传算法优化BP神经网络的蛋鸡发声分类识别模型。结果表明,本文方法对蛋鸡产蛋声、鸣唱声、饲喂声和尖叫声的平均识别准确率为91.9%,识别的精确度分别为90.2%、93.0%、93.3%、92.2%,平均精确度达到92.2%;识别的灵敏度为94.9%、90.0%、89.4%、91.8%,平均灵敏度达到91.5%。研究表明,基于多特征融合的蛋鸡发声识别方法具有较好的识别灵敏度和精确度,可为蛋鸡发声语义解析与自动判别提供参考。