基于神经网络的语音信号识别与分类

针对基于深度神经网络的端对端的语音识别技术展开研究,通过深度全序列卷积神经网络(DFCNN)声学模型和Transformer语言模型搭建一种端对端的语音识别系统。该系统完成对模型及数据的训练,实现对多字符中文语音的识别,并对隐马尔可夫语音识别方法和深度神经网络下的语音识别方法的系统搭建难度、原理差异和识别精确度进行对比研究。仿真结果表明,所提方法能够实现对连续多字符中文语音的有效识别,识别正确率在90%以上。

EMG在语音信号识别中的应用

提出使用肌电信号的语音识别系统。研究证实从面部肌肉中提取的肌电信号存在语音信息。实验使用(0～9)十个数字,受试者每隔10s重复单词。讲话时用电极记录五个通道表面肌电信号。用短时傅里叶变换提取信号的特征量,并通过主成分分析降维,有效地提取特征量进行模式识别。分类错误范围在15%以下。实验表明表面肌电信号的语音识别系统有着极好的前景。

一种基于频谱特征的语音信号识别方法及硬件实现

在客观实验中运用短时分析技术,着重研究语音信号的频谱特征,并采用硬件方式实现对语音信号的识别,得到如下结论:基于频谱特征的模型对纯语音信号能保留语音自然度95%以上,对纯噪声信号能压缩噪声95%以上。

基于非语音信号识别的家电异音智能在线监测技术研究及应用

1项目背景机电产品由于产线制造工艺的失误以及零部件存在的瑕疵,在一批成品中,总会存在一定比例的存在杂音、异音的产品。如果这些异类产品没有拦截在厂内,进入市场,将会造成退货、维修或更换等巨大损失,包括经济损失以及信誉损失。因此,如何在产品入库前在线检出存在异音的产品是多年来行业存在的共性技术问题。

人工智能语音信号采集识别方法在阿尔茨海默病患者中的应用效果

目的探讨人工智能语音信号采集识别方法在阿尔茨海默病(AD)患者中的应用效果。方法选取2022年1月至12月赣南医学院第一附属医院收治的120例AD患者作为研究对象,按照随机数字表法将其分为试验组(60例)与对照组(60例),试验组采用人工智能语音信号采集识别方法对患者认知功能进行评价,对照组采用简易智力精神状态量表(MMSE)对患者认知功能进行评价,比较两组患者的评定筛查时间、阳性预测率以及严重程度分级准确度。结果试验组评定时间短于对照组,阳性预测率和严重程度分级准确度高于对照组,差异有统计学意义(P<0.05)。结论人工智能语音信号采集识别方法能提高AD患者的临床筛查效率,是一种有效实用的AD评定方法。

识别LSB和USB的门限自适应算法

基于语音谱的统计特性提出了一种从模拟话音SSB信号中自动识别出LSB或USB调制方式的算法.该算法简单,计算量小,非常适合用DSP来实时实现;门限自适应处理使得该算法鲁棒性较好.仿真结果表明该算法在低信噪比时仍有令人满意的识别效果.

基于FastICA的语音盲源分离方法（英文）

独立分量分析(ICA)在处理盲信号分离中被广泛使用,但其收敛速度较慢.为此文章重点介绍了一种更为有效的盲源分离方法——快速独立分量分析(FastICA).文章在介绍了FastICA的基本理论和方法之后,将其应用到语音分离中.在采集了三个实际的声音信号后,将三个原始信号进行混叠,在matlab仿真环境下用FastICA方法对混叠信号进行分离,将分离结果与原始信号波形进行比对,结果说明该算法具有良好的分离效果.