基于自相关最大值和过门限率的语音端点检测

语音处理中,在噪声环境尤其是在非平稳噪音环境下进行端点检测是很困难的。在低信噪比的情况下,传统用于端点检测的特征参数不能充分描述语音信号的特征,导致端点检测的效果严重退化。为此,笔者从语音信号的时域或频域出发,提出了一种把短时自相关函数最大值和短时过门限率相结合的方法。实验表明,该方法弥补了自相关函数最大值方法和过零率的不足,提高了语音端点检测的性能。

基于自适应EMD的光纤安防系统入侵信号识别

给出了一种基于自适应经验模态分解(AEMD)的光纤周界安防系统入侵信号识别方法。采用时域的短时能量及过门限率特征,判别截取振动信号并预处理,运用信号过门限率的统计特性和比值差异系数特性排除部分扰动信号;利用AEMD方法分解振动信号,得到若干个本征模态函数(IMF),选取与原信号相关性较高的IMF分量,计算各分量的能量熵和峭度特征;将获取的所有特征构成特征向量,采用支持向量机识别入侵信号。实验结果表明:该方法可以有效识别入侵信号的类型,提高了识别速度和识别率。

语音端点检测方法的研究

端点检测是语音信号处理过程中非常重要的一步,它的准确性直接影响到语音信号处理的速度和结果。研究了短时能量、短时幅度差、短时过零率和短时过门限率的语音端点检测算法,并对短时过零率、短时过门限率在有无噪情况下的检测效果做了分析和比较。

特征融合的VAD方法在语音识别系统中的应用

近年来,孤立词语音识别技术由于其对计算量存储量要求低和灵活性高的特性而备受关注。但由于当今生活环境的复杂性和不确定性,使得孤立词语音识别技术在实时性和准确性方面仍面临着巨大的挑战。为此,以非特定人孤立词语音识别为研究对象,将改进的过门限率、子带谱熵及Teager能量算子(TED)相融合进行语音的端点检测,以找出合理的语音起始点,并将其应用在基于隐马尔可夫模型的语音识别系统中,通过直观的语音识别正确率来验证该方法的优越性。通过实验仿真,与其他的传统方法进行对比,所提方法可使得语音识别系统满足一定的实时性要求,且在孤立词识别的准确性和稳定性上占一定优势。