改进加权线性预测倒谱的复合参数说话人识别

说话人识别和确认是信号处理中研究的热点之一,但有关文献表明识别效率并不是很高,而且训练和识别的语音要求都比较长,距离实际应用还有一定差距。分析了说话人识别中有关参数的选取对识别结果的影响,采用线性预测倒谱和基音参数共同作为识别参数,并采用矢量量化,改进了线性预测倒谱距离的加权函数,提供了与文本无关的说话人识别系统。最后给出了实验结果和有关分析,在低噪声时识别正确率可达99%以上,在高噪声时也能达到98%以上的正确率。

一种基于线性预测残差倒谱的基音检测算法

基音检测算法一直是音频处理领域的研究热点,但是语音信号声道特征对基音及其谐振结构的影响很大,增加了检测的难度。利用LP残差仅仅保留声门激励信号的特点,通过倒谱分析避免了声道特征和噪声的影响。同时针对倒谱分析中经常出现的半频倍频问题和低频截断问题,引入了谐波积谱(HPS)的解决方案,提高了识别的精度。实验表明,该方法能够较好地避免半频倍频错误,对于截去了低频和高频的电话信道语音也能够得到令人满意的检测结果,同时作为帧检测技术能够满足实时应用的需要。

基于线性预测残差倒谱的基音检测

传统的基音检测算法对含噪语音的检测结果较差,本文在线性预测倒谱方法的基础上采用基于线性预测残差倒谱的方法对含噪语音进行基音检测。实验结果表明,该方法使基音峰点更加清晰,提高了基音检测的精度。

改善线性预测系数倒谱抗噪声性能的方法

线性预测系数倒谱(LPCC)是说话人辨认系统中较为有效的特征参数之一,但是该参数的抗噪性能不好,当语音中含有噪声时,系统的识别率明显下降。基于MATLAB软件,建立了一高斯混合模型(GMM)的说话人辨认系统,提出了特征参数加权窗口的方法。通过对多种加权窗口的正确识别率比较,发现对LPCC低阶参数的加窗提升,可以改善系统的噪声鲁棒性。MATLAB仿真结果显示,采用加窗后的系统识别率得到了明显改善。

基于LPC倒谱参数和支持向量机技术的说话人识别系统

采用能够反映人对语音的感知特性的线性预测(LPC)倒谱参数作为特征参数,同时针对支持向量机技术对模式识别中的非线性、高维数的样本问题有非常好的分类效果和学习推广能力,设计了一个支持向量机分类器来进行说话人识别。试验结果验证了该系统有很高的识别率和较强的鲁棒性。

基于LPC预测残差的倒谱基音检测算法分析

给出了加窗语音的新倒谱模型 ,提出了基于语音LPC预测残差的倒谱基音周期检测算法 (LP -CEP法 ) ,该算法在倒谱计算中采取高频分量置零的新措施 ,仿真研究结果表明 ,该算法相对于传统倒谱基音检测算法 (CEP法 ) ,无论是对不同的干净语音还是对不同信噪比的含噪语音 。

具有离散参数齐次随机场的线性预测((Ⅷ))

提出并研究了齐次随机场在半平面或不对称半平面上的观察中存在遗漏观察值情况下的预测问题 ,并对特殊的谱密度 ,求得了预测值及预测误差的明显表达式 。

基于线性预测的数字语音参数估计

介绍了数字语音信号分析中的线性预测的基本原理。讨论了用线性预测估计基本语音参数的方法、并对实验仿真结果进行了分析。从实验分析结果可知:线性预测分析是一种估计精度较高、运算速度较快的语音参数估计方法。

具有离散参数齐次随机场的线性预测( )

研究在3/4平面上观察时存在遗漏观察的预测问题及在1/4平面上观察到要去预测在3/4平面上齐次随机场的值的预测问题,并建立了这两个预测问题之间的一个对应关系及求出了它们的预测值及预测误差.

铣削声谱LPCC与刀具切削时间的关系

提出了采用线性预测倒谱系数(linear predictive cepstrum coefficient,简称LPCC)监测刀具磨损的方法。使用LPCC作为可听阈内铣削声信号的声谱特征参数,对LPCC进行统计处理,计算LPCC分量的F比,分析LPCC分量与切削时间的关系,寻找LPCC与刀具磨损之间的规律。研究结果表明,铣削声信号的LPCC相关分量加权和可以有效地反映铣刀的磨损变化规律。

两种倒谱特征提取技术在水声目标识别中的应用

按照声纳员的感受,被动声纳目标被看作为一个发声体,目标噪声信号表示为激励噪声源与发声体冲激响应的卷积,在这一模型下,使用倒谱分析水声目标噪声的时域特征。提出利用线性预测倒谱和考虑人耳听觉特点的美尔倒谱分析发声体的冲激响应在倒谱域中的表示,据此对水声噪声信号提取这两种倒谱的特征,进行分类识别。设计了神经网络分类器,利用实测数据对三类目标进行分类。分析比较两种方法的分类结果,验证了基于倒谱的水声目标特征提取方法的可行性。

基于动态单边自相关序列和频率规整线性预测的抗噪声语音识别

提出了一种既符合人耳听觉特性又具有良好抗噪性的语音特征分析方法。首先将单边自相关函数序列进行时间方向的平滑处理,提高单边自相关函数的抗噪性,然后用平滑后的单边自相关函数序列代替原信号进行频率规整的LPC分析,最后经倒谱变换得到该特征参数。数字语音识别实验证明:利用该特征参数的语音识别系统的识别性能优于MEL倒谱系数、LPC倒谱系数等传统的语音特征参数。

基于倒谱修正模型的语音基音检测算法

该文提出了一种基于修正倒谱模型的改进的倒谱基音检测算法。该算法首先对分帧语音进行10阶线性预测编码(LPC)分析和逆滤波,获得LPC预测残差;然后对残差信号进行倒谱分析,倒谱分析中采用了离散傅里叶变换频谱的高频分量置零的计算措施;最后根据倒谱的特征求得浊音语音的基音周期。仿真检测结果表明:该算法无论对纯净语音,还是对不同加噪情况下的含噪语音,其基音检测结果都明显优于传统倒谱基音检测算法,并且也明显优于基于平均幅度差函数的基音检测算法,而略优于基于自相关函数的基音检测算法。

一种改进的倒谱基音提取算法

介绍一种基音检测的新方法。该算法首先对分帧语音采用Burg算法进行LPC分析,获取最佳预测系数构造逆滤波器;然后通过逆滤波得到预测误差序列代替原输入语音序列进行倒谱分析;最后在恰当的范围里测出最大峰值,进行基音检测。实验结果表明,与传统方法相比,该方法鲁棒性好,在信噪比低的情况下仍可获得较高的准确率。

一种新的基于倒谱的共振峰频率检测算法

共振峰频率是语音信号的一个重要参数。传统的基于线性预测的共振峰检测算法由于受到计算量的限制,很难实现实时处理。本文提出一种基于倒谱变换的共振峰频率检测算法,采用后置处理,比较声道冲击响应对数幅频特性的二次导数和相频特性一次导数检测出的结果,删除伪峰数值和甄别合并共振峰,提高检测精度。仿真结果证明,该算法计算效率高,低信噪比下仍能保持较好的检测性能。

基于MVDR参数谱在舰船目标识别中的应用

现代海战中如何在复杂多变的海洋环境中提取有效的舰船目标识别特征是被动声纳目标识别的关键环节.首先介绍了舰船辐射目标信号的最小均方无失真响应(Minimum Variance Distortionless Response,MVDR)谱分析的模型方法,然后通过对比分析了三类目标MVDR、FFT和LP谱之间的关系发现最小方差无失真响应滤波器能提供一个更好的舰船目标辐射噪声频谱包络,随后比较分析阶数对性能的影响,发现随着滤波器阶数的增加其目标信号频谱包络的效果更好.最后将提取的LP谱特征与MVDR谱特征应用到BP神经网络进行分类识别,实验结果发现,MVDR谱特征的识别率高于LP谱特征得到了很好的分类效果.

铣削声谱LPCC与刀具切削时间的关系分析

因为刀具的切削时间和刀具的磨损状态存在着相等的增减关系,所以本文利用铣削声谱LPCC(linear predictive cep-strum coefficient,线性预测倒谱系数)和刀具磨损状态之间的关系求解铣削声谱线性预测倒谱系数LPCC与刀具切削时间之间的关系。本文首先分析了线性预测倒谱系数LPCC的基本原理,而后利用线性预测倒谱系数LPCC对可听阈内的切削声信号进行表征,刀具的磨损状态利用线性预测倒谱系数LPCC相关分量加权和进行反映,最终结果显示铣削声谱线性预测倒谱系数LPCC相关分量加权和能够对刀具的切削时间进行有效地反映。

LPC误差传输函数的倒谱特征

本文从语音信号的线性预测码模型出发,分析了其误差传输函数方程的根与其系数之间的关系,得到了线性预测系数与根幂和之间的关系式,从而得到了误差传输函数的倒谱系数的递推公式。

几种语音识别特征参数的研究

语音识别就是研究让机器最终能听懂人类口述的自然语言的一门学科,具有广阔的应用前景。在语音识别系统中,提取语音的特征参数是系统的关键问题之一。文中首先分析了常用的线性预测参数LPCC、梅尔倒谱参数MFCC及其它们的一阶差分△LPCC和△MFCC的原理和实现方法,提取了LPCC+△LPCC和MFCC+△MFCC两种参数。其次,讨论了动态时间弯折DTW识别算法。最后,在Matlab平台上,分别采用LPCC、LPCC+△LPCC,MFCC、MFCC+△MFCC作为特征参数结合DTW识别算法进行实验仿真,结果表明MFCC+△MFCC参数的识别率最高,LPCC的识别率最低。

基于线性预测残差倒谱的基音周期检测

提出一种基于线性预测残差倒谱的基音周期检测算法.该算法对语音信号的线性预测残差信号做倒谱变换,将其作为基音检测特征.并综合残差倒谱峰、短时能量和短时过零率三种特征,构造一个清浊音判决函数,简化清浊音判决过程,提高判决精度.在基音周期检测过程中,根据基音连续原则,提出峰值重定位方法,有效降低基音倍频和半频的错误率.对比实验表明,本文算法的性能不仅较之传统的倒谱方法有明显改善,同时也优于目前效果较好的YIN算法和多尺度小波算法.