基于LPCC参数的语音识别系统

为了识别简单语音,设计了一个基于LPCC参数的语音识别系统。该系统其主要功能有语音信号的录制、播放、预处理、分段滤波、特征提取以及识别语音。最后通过仿真实验验证了本系统能够达到识别简单语音的要求,但仍有需改进的地方,如:能否在复杂环境下识别比较复杂的语音。

一种改进的LPCC参数提取方法研究

为了提高语音信号的识别率,提出了一种改进的LPCC参数提取方法。该方法先对语音信号进行预加重、分帧加窗处理,然后进行小波分解,在此基础上提取LPCC参数,从而构成新向量作为每帧信号的特征参数。最后采用高斯混合模型(GMM)进行说话人语音识别,实验表明新特征参数取得了较好的识别率。

基于小波包-LPCC的说话人识别特征参数

论文研究了小波包变换及LPCC参数的提取,在此基础上,提取了基于小波包变换和LPCC的新参数(DWT-LPCC),并基于GMM系统进行说话人识别实验。结果表明,相对于LPCC参数,DWT-LPCC参数大大提高了噪声环境下的说话人识别率。

MFCC和LPCC特征参数在说话人识别中的研究

特征提取是说话人识别系统中的一项关键技术,讨论了在说话人识别中语音特征的提取,详细介绍了求取MEL倒谱系数MFCC和线性预测倒谱系数LPCC的具体步骤和算法,并对MFCC和LPCC语音特征参数做出了理论分析和实验数据比较,通过实验论证了对于低频语音,采用MFCC参数的说话人识别在屏蔽噪音和抗噪声能力都优于采用LPCC参数的说话人识别.

基于改进LPCC和MFCC的汉语耳语音识别

以提高汉语耳语的识别率为目的,提出了将MFCC、LPCC及它们各自的动态参数等多种特征有效结合进行耳语识别的方法。实验结果说明了LPCC、MFCC结合动态参数可作为汉语耳语音识别的特征参数,且它们的结合提高了系统的识别率,在小字库内得出的识别率为94.5%。

基于短时能量—LPCC的语音特征提取方法研究

为了提高语音信号的识别率,提出了一种基于短时能量—LPCC的语音特征提取方法。该方法在LPCC参数的基础上,增加每帧信号的短时能量信息,使得新参数能够更为准确的表征语音信号。通过仿真实验,说明了新特征参数取得了较高的识别率。

一种提高语音特征参数稳健性MLMCC算法的研究

语音特征参数的提取是语音识别的前提和基础,特别是在噪声环境中,如何寻找对噪声不敏感的语音特征即是目前研究的一个难点和重点。本文在对LPCC和MFCC两种参数深入分析的基础上,分析一种MLMCC特征参数提取方法,实验证明具有良好的抗噪能力。

融合LPCC和MFCC的支持向量机OSAHS鼾声识别

单纯打鼾者的鼾声与阻塞性睡眠呼吸暂停低通气综合征(Obstructive Sleep Apnea-Hypopnea Syndrome,OSAHS)患者的鼾声在声学特征上有较大的区分度。从鼾声的声学特征出发,提出一种基于支持向量机(Support Vector Machines,SVM)的Fisher准则融合特征鼾声分类算法。首先,通过使用线性预测倒谱系数(Linear Prediction Cepstrum Coefficient,LPCC)和梅尔倒谱系数(Mel-scale Frequency Cepstral Coefficient,MFCC)的特征提取方法来分别提取鼾声的特征,并通过计算得出LPCC和MFCC每一维特征参数的Fisher比;然后,根据Fisher比的大小进行LPCC和MFCC的特征融合;最后,用SVM进行鼾声的特征分类,识别单纯打鼾者和OSAHS患者。实验结果表明,以融合LPCC和MFCC特征参数作为特征参数时,抗噪性能好且具有较高的识别准确率,准确率达到95.8%。

声频特征在车型自动分类识别中的应用研究

为满足智能化交通的需要,利用车辆声频信号特征进行车型自动识别,对车辆声频信号进行建模,以线性预测编码倒谱(LPCC)为特征,采用聚类分析算法划分车型,并使用Fisher判别法对车型进行识别。实验结果表明此方法可准确和有效的实现车型的自动分类与识别。

基于频率段的语音识别算法设计与实现

线性预测倒谱参数(LPCC)能很好的体现人的声道特性,而梅尔倒谱参数(MFCC)能很好的模拟人耳的听觉效应。针对MFCC在不同频率段的识别精度不一致和LPCC不能准确模拟人的听觉系统问题,将MFCC参数和IMFCC参数分别作为语音不同频率段的特征参数,结合线性预测参数(LPCC),均衡滤波器的分布,完整覆盖到整个频率段范围。将梅尔倒谱参数和线性预测参数结合起来作为语音识别的特征提取参数。实验结果表明,改进之后的算法从效率上和识别率上都有不同程度的提高。

电话话路的通话时间检测方法研究

本文就振铃音在电话话路通话时间检测中的应用进行了研究，并对Tanimoto测度和Dice系数在利用LPCC参数进行检测的效果进行了比较，通过理论比较分析和实验测试，发现Dice系数比利用Tanimoto测度具有更高的分辨率。实验中的召回率为99．2％，准确率为98．8%达到了利用振铃音检测实现通联检测的目的。

基于FIR滤波的LPCC在语音相似度分析中的应用

将线性预测倒谱系数LPCC作为语音特征相似度的评价参数,采用欧氏距离来衡量语音的相似度,据此分析测试者语音与标准语音(或参考语音)间的偏差,以此给出测试者语音质量优劣的评价结果。该评价方法有助于语言学习者提高发音质量和朗读能力,并为语言口语教学评价提供一种新思路和新方法。

采用高斯概率分布和支持向量机的说话人确认

在采用支持向量机的说话人确认中,将语音特征参数相对于通用背景模型各高斯分量的概率分布作为支持向量机输入,在线性核函数的情况下,系统能取得与广义线性判别式序列核函数(GLDS)几乎相同的识别率,同时该高斯概率分布算法能够与混合高斯背景模型、广义线性判别式序列核函数的得分进行融合,进一步提高识别性能.在2006年 NIST SRE 1conv4w-1conv4w 数据库上,融合后的系统相对于基线的混合高斯模型最多有25%的等错误率下降.