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。

频率规整线性预测系数的实时提取算法研究

在语音识别特征提取过程中,为克服传统自相关法在计算特征参数时实时性较差的缺点,提出一种用于提取频率规整线性预测系数(WLPC)的自适应最小均方误差(LMS)算法。该方法通过自适应LMS技术,不仅能提取出符合人耳的听觉特性的特征参数,而且实现了对WLPC系数的实时提取。实验采用DTW(动态时间规整)算法,对比了自相关法WLPC预测误差和自适应法WLPC两种特征参数对孤立词识别率的影响结果和预测误差,结果证明了采用该算法具有较高的分类准确率和良好的时间性能。

基于LPCC和MFCC参数的病理嗓音识别研究

自动检测正常嗓音和病理嗓音的关键是选出有效的特征参数,并对其进行优化得到简单易实现的参数。同时选择合适的识别模型对正常嗓音和病理嗓音进行识别以得到最好的识别率。为了能实时、便利地检测正常嗓音和病理嗓音,这里提出了线性预测倒谱系数(LPCC)和MEL频率倒谱系数(MFCC)声学特征参数,采用动态时间规整(DTW)算法进行识别,实验结果表明该模型的识别率可达到90%以上,且MFCC方法优于LPCC。