利用线性预测谱LPC对元音区别力量化分析的研究

本研究利用LPC对10位发音人的正常单元音相同声调(a、o、e、i、u、ü)进行识别测试,进一步探讨LPC提取出来的各个参数对于区分说话人的作用。提取元音最平稳的一段进行长时LPC分析,分析不同人的语声声纹差异性和同一人语声声纹的总体特殊性。结果显示,每个话者的自身差异都明显小于话者之间的差异。因此利用LPC提取元音的共振峰振幅与相邻弱谷幅值之差对比分析对话者具有有效区别力。

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。

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。

语音线性预测技术新探

本文提出了一种线性预测分析方法。通过估计频率抽样获得谱包 ,由归一化频率估计谱包 ;谱包规定在mel频率级 ,由IDFT提取抽样自相关估计 ,我们从抽样自相关的结果最终获得谱包cep stral系数 (SEC)。HMM(HiddenMarkovModel)识别实验表明 ,SEC与其它算法相比较 ,在低信噪比时 。

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。

短时谱特征的汉语重音检测方法研究

重音是语言交流中不可或缺的部分,在语言交流中扮演着非常重要的角色。为了验证基于听觉模型的短时谱特征集在汉语重音检测方法中的应用效果,使用MFCC(Mel frequency cepstrum coefficient)和RASTAPLP(relative spectra perceptual linear prediction)算法提取每个语音段的短时谱信息,分别构建了基于MFCC算法的短时谱特征集和基于RASTA-PLP算法的短时谱特征集;选用NaiveBayes分类器对这两类特征集进行建模,把具有最大后验概率的类作为该对象所属的类,这种分类方法充分利用了当前语音段的相关语音特性;基于MFCC的短时谱特征集和基于RASTA-PLP的短时谱特征集在ASCCD(annotated speech corpus of Chinese discourse)上能够分别得到82.1%和80.8%的汉语重音检测正确率。实验结果证明,基于MFCC的短时谱特征和基于RASTA-PLP的短时谱特征能用于汉语重音检测研究。

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。

基于改进胶囊神经网络的乐音主频识别研究

为了提高乐音主频识别性能,采用胶囊神经网络用于主频识别,并对胶囊神经网络特征相似计算方法进行改进优化,以增强胶囊神经网络的主频识别适应度。对乐音音符的端点检测与有效分割后采用线性预测倒谱参数法获得乐音主频特征向量。建立基于胶囊神经网络的乐音主频识别模型,并采用动态路由获得稳定的胶囊神经网络结构核心参数。采用余弦相似度对传统的内积计算进行有效改进,优化特征差异判断策略。采用改进的胶囊神经网络算法用于乐音主频识别。试验结果证明,合理设置胶囊神经网络的耦合系数、平衡系数和类别阈值单音集和曲谱连续集均能获得较高的乐音主频识别性能。相比于常用乐音识别算法,该文所提算法能够获得更高的识别准确率和稳定性。

特定人孤立词的语音识别系统研究

语音识别是让机器自动识别和理解语音信号,并把语音信号转变为相应的文本或命令的技术。通过对特定人孤立词语音特点的研究,在对语音信号进行预处理的过程中,选择过零率与短时平均能量两项指标作为对语音信号端点检测的依据,提取语音线性预测系数,通过计算分析后获得线性预测倒谱系数,作为语音特征参数。选择动态时间规整法为模板匹配算法,并针对传统匹配算法中计算量大的特点,作出改进,采用全局限制的方法以减小匹配过程中的计算量。采用上述算法设计了一种基于特定人的孤立词语音识别系统,并对该系统进行了多种背景条件下的M atlab仿真研究。仿真实验结果表明,此算法对于特点人孤立词的语音识别能达到较好的识别效果。

基于DSP的语音识别智能控制系统

介绍了语音识别的基本原理及用浮点数字信号处理器(DSP)TMS320C32实现语音识别算法的一些原则和方法,阐述了语音识别的DSP实现技术,系统以预测倒谱参数为特征参数,并采用计算量相对较小的改进的动态时间规整(DTW)算法实现语音参数模板匹配,能够实现特定人、孤立词、小词汇量的语音识别,并用MATLAB进行了算法仿真,从而将语音识别技术应用到智能控制系统中,给出了实验结果和误差分析。试验结果表明,系统正确识别率在89.96%,具有一定的实用价值。

基于TMS320VC5402的电子语音锁的系统设计

通过分析语音特征参数的特点和说话人识别的基本方法,利用DSP的硬件平台,以线性预测倒谱系数为特征参数提取算法以及隐马尔可夫模型为建模算法,实现电子语音锁的系统设计。实验结果表明系统在内部模型数小于10时识别精度高,达到安全保密的要求。

基于atan-LMS与PLPC相结合的稳健语音识别

将一种改进的变步长算法(atan-LMS)应用于自适应滤波器,并将之与感知线性预测倒谱技术(PLPC)相结合,简记为atan-LMS+PLPC。该方法通过优化步长和误差之间的非线性关系,使降噪效果更加显著,然后对增强语音提取感知线性预测倒谱系数(PLPC)作为特征参数。试验结果表明,基于atan-LMS+PLPC的系统其识别性能要比基于Sigmind函数(SVSLMS+PLPC)优越,并且信噪比越低识别率提高幅度越大。

基于语音参数的神经网络识别研究

本文通过对BP和SOM神经网络的理论学习研究,分别设计了基于语音参数为输入样本的BP三层和SOM两层网络模型及相应算法实现,并通过对比两种神经网络模型在相同输入语音样本参数情况下的不同运行机理,最终确认基于LPCC语音参数的BP网络更适合应用于语音识别。

多类型语音特征进化选择算法

基于特征选择的语音特征获取用于说话人识别是目前较为有效的方式。但是,最优语音特征随着具体应用环境的变化而不同。因此,提出了基于四类型语音特征封装式遗传特征选择算法(FSF-Wr GAF),该算法提取了四种类型的语音特征参数,通过链式智能体遗传算法和GMM-UBM进行封装式动态特征选择,获取高精度的识别准确率。采用了多种指标完成该算法的性能测试。实验结果表明,该算法具体实现过程简便,改进效果明显,较同类算法在多项指标(识别率,EER,DET曲线)上都有显著提高。

孤立词语音识别系统的DSP实现

传统语音识别系统存在识别率低、接口复杂、功耗大等缺点。针对这一问题,可以采用TI公司生产的TMS320C6201B DSP开发非特定人孤立词语音识别系统。DSP主机接口部分与单片机89C51相连。由单片机控制LCD显示电路和USB与PC的通信。USB2.0总线标准数据传输速率高、接口方便。软件部分采用传统的双门限端点检测算法和DHMM识别算法。实验结果表明,该系统功耗低、体积小,并且具有较高的识别率。

基于DSP的嵌入式语音识别系统的研究与实现

设计并实现了一个特定人、孤立词和小词汇量的嵌入式语音识别系统。系统硬件的核心芯片采用普遍使用的16位定点DSP芯片TMS320VC5416,软件上主要采用动态时间规整算法来实现语音识别。给出了系统整体的软硬件框架,并比较和分析了分别将线性预测倒谱参数和美尔频标倒谱参数作为语音特征参数时系统的性能,为语音识别的嵌入式应用提供了参考依据。

基于DSP的语音识别系统的设计与实现

一种基于定点数字信号处理器TMS320VC5402的实时语音识别系统。能够实现非特定人、小词汇表、孤立词的语音识别。系统以线性预测倒谱参数为特征参数,采用动态时间归整识别模型,在小词汇量特定人条件下,该系统的正识率可达到98%以上,在非特定人情况下正识率在93%以上。

从眼电图（EOG）伪差中增强脑电图（EEG）信号的自适应噪声抵消（ANC）方案

从眼电图（ＥＯＧ）伪差中增强脑电图（ＥＥＧ）信号的自适应噪声抵消（ＡＮＣ）方案ＰＫＳａｄａｓｉｖａｎ，ｅｔａｌ．ＣｏｍｐｕｔｅｒｓＢｉｏｍｅｄｉｃａｌＲｅｓｅａｒｃｈ１９９６；（２９）：２７～４０自适应系统的一项最重要的应用是用自适应滤波器抵消噪声。...

基于神经网络和卡尔曼滤波算法的说话人识别

首先从语音信号中提取出特征参数:线性预测倒谱系数(LPCC)和用小波包提取的小波特征参数(WPC);语音特征分类模型则选择多层前馈式神经网络(MBP网络),并将奇异值分解运用到扩展卡尔曼滤波(EKF)算法中作为神经网络的学习算法。仿真结果表明,小波特征参数具有良好的识别效果;同时采用改进后的扩展卡尔曼滤波(EKF)算法使人工神经网络具有更稳定、更准确的分类性能。