试验环境水下声信号的特征提取方法

水下试验环境参数的反演是水声学研究领域的重要内容。而当前研究的关键是通过对水下声信号做特征提取从而获取参数信息。针对特征提取较难、模型很难拟合等问题。本文提出了一种试验环境水下声信号的特征提取方法。将水下声信号同时用梅尔频谱倒谱系数及线性预测系数处理,两者运用特征加权组合方法得到新的特征矩阵;再应用映射插值算法对特征矩阵进行处理,获得适应神经网络输入的三通道矩阵。本文选取的网络模型为残差神经网络。利用实验室所录制的对河口水库数据集测试表明,本文提出的特征提取方法普遍优于仅利用梅尔频谱倒谱系数或线性预测系数的特征处理方法。利用单频矩形脉冲信号对环境进行深度5分类,准确率平均提升2%。利用线性调频信号对环境进行深度5分类,准确率平均提升2.03%。本文提出的特征提取方法对线性调频信号在深度分类任务下处理的结果要优于单频矩形脉冲信号处理的结果。

Mel频率下基于LPC的语音信号深度特征提取算法

针对传统语音信号二次特征提取方法在保证识别率的前提下,实时性较差的问题,提出一种Mel频率下基于线性预测系数(linear predictive coefficient,LPC)的改进的语音信号深度特征提取算法。该方法根据人耳的听觉特性把LPC在Mel频率下进行非线性变换,再进行微分、高阶微分和按比例重组等步骤,得到一种既考虑声道激励又兼顾人耳听觉的新特征参数,从而大大减少传统语音信号深度特征提取的计算量,在不影响识别效率的情况下,极大提高系统的实时性。最后,将该算法在智能轮椅平台进行有效性验证,大量实验表明,语音控制系统实时性差的问题在使用该算法后能够得到明显改善,该算法既保证了特征提取识别率,也有效地改善了系统的实时性。在一定程度上使语音控制智能轮椅更具实用性。

LPC方法提取语音信号共振峰的分析

通过对ＬＰＣ（线性预测编码）方法提取语音信号共振峰进行的研究表明，采用相－频特性与对数幅－频特性同样能提取语音信号共振峰。与对数幅－频特性的二次导数相比，相－频特性的三次导数有更高的频率分辨率，能更有效地解决共振峰合并的问题，提取更精确的共振峰参数。

小样本纱线质量预测的机器学习算法适用性分析

为了解决当前基于神经网络的纱线质量预测模型针对小样本预测精度偏低和预测精度不稳定的问题,建立了随机森林(RF)算法预测模型、多层感知机神经网络(MLP)算法预测模型和线性回归(LR)算法预测模型,就各算法模型在小样本情况下对不同数据特点的数据集的敏感性、不同数据维度的敏感性和不同训练样本数的敏感性进行了预测性能对比试验。用决定系数和均方根误差进行模型预测性能评估。试验结果表明:在小样本情况下,相比于MLP算法和LR算法,大多数情况下RF算法预测准确性更高、预测精度稳定性更好、对小训练样本量的适应性更好,具有较高的综合预测性能。

一种基于MFCC和LPCC的文本相关说话人识别方法

在说话人识别的建模过程中,为传统矢量量化模型的码字增加了方差分量,形成了一种新的连续码字分布的矢量量化模型。同时采用美尔倒谱系数及其差分和线性预测倒谱系数及其差分相结合作为识别的特征参数,来进行与文本有关的说话人识别。通过与动态时间规整算法和传统的矢量量化方法进行比较表明,在系统响应时间并未明显增加的基础上,该模型识别率有一定提高。

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。

基于MFCC和LPCC的说话人识别

MFCC参数和LPCC参数是说话人识别中两种最常用的特征参数,研究了MFCC和LPCC参数提取的算法原理及差分倒谱参数的提取方法,采用MFCC、LPCC及其一阶、二阶差分作为特征参数,通过k均值算法与三层BP神经网络来进行说话人识别。实验结果表明,该方法可以有效提高识别率,同时也验证MFCC参数的鲁棒性优于LPCC参数。

融合LPC与MFCC的特征参数

在线性预测系数(LPC)的基础上,借鉴美尔倒谱系数(MFCC)计算方法,对LPC进行美尔倒谱计算,得到一种新的特征参数:线性预测美尔倒谱系数(LPMFCC)。在Matlab7.0平台上实现一个基于隐马尔可夫模型(HMM)的说话人识别系统,分别用LPMFCC及其一阶差分、MFCC及其一阶差分和基于小波包分析的特征参数(WPDC)及其一阶差分作为识别参数进行对比实验。结果表明,以LPMFCC作为特征参数的系统具有较高的识别率。

基于切削声LPCC的刀具磨损监测

提出了基于切削声线性预测倒谱系数(LPCC)的刀具磨损状态监测方法。采用LPCC对可听阈内的切削声信号进行表征,分析了LPCC的分量与刀具磨损的关系。利用LPCC相关分量加权和反映刀具的磨损状态,并进行了验证。研究结果表明,切削声信号的LPCC相关分量加权和可以有效地反映刀具的磨损状态。

改进变值逻辑与线性预测在心音分类中的应用

心音对于评价心脏健康状况具有重要作用.文章介绍了一种新的基于变值逻辑与线性预测倒谱系数融合特征的先心病分类算法,有助于提取心音中的深度病理特征.算法首先对心音进行降噪、包络提取;然后进行变值逻辑运算、标记并转换为可分析的测度数据,并计算信号的线性预测倒谱系数进行特征融合;最后使用随机森林,XGBOOST和LIGHTGBM机器学习分类器进行先心病二分类.研究所用心音样本共4000例,测试结果对正常和异常心音分类的平均准确率为0.9138.算法无需对心音进行心动周期分割,大大简化了分析流程,可望用于先心病的筛查.

基于LPC分析的语音特征参数研究及其在说话人识别中的应用

对LPC(线性预测系数)参数及其派生参数进行了研究,重点讨论了各参数的计算方法,在此基础上提出了一种由LPC参数和语音帧能量构成的组合参数。利用GMM对20个说话人进行了闭集文本无关说话人识别实验。结果表明,与LPC参数的派生参数相比,该组合参数可以以较少的运算量取得与LPC派生参数相当的识别效果;与直接使用LPC参数相比,该组合参数能够在运算量增加不明显的情况下改进系统的性能,特别是在测试音长度较短的情况下,对性能的改进尤为明显。

基于LPC的语音信号预测仿真分析

参数编码是针对提取的语音信号特征参数进行编码,主要目的是使重建的语音信号具有尽可能高的可懂度。线性预测编码(LPC)是一种有实用价值的经典方法。通过对线性预测编码地原理分析,选择自相关算法中的莱文逊-杜宾算法求得预测系数;在确定预测阶数和增益后,对一段实际的语音信号进行了预测仿真分析。实验结果表明,预测波形最大残差小于0.3%。

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。

对LPC-10编码算法的分析与改进

本文在介绍语音信号产生模型和线性预测理论的基础上,分析了LPC-10的编解码算法,并对算法中涉及的二元激励和基音周期的提取方法进行了改进。

基于LPC的语音信号特征参数提取算法研究

提出了一种基于LPC的语音信号特征参数提取的算法思想,对原始的语音信号进行线性预测建模,估计预算模型参数,提取LPC系数,分析LPC倒谱并计算预测误差。实验结果表明,该算法能较好的提取语音信号的特征参数,且预测重构的语音信号误差较小,易于建模的实现,为语音信号处理提供了一种特征参数提取的方法。

简化的LPC-10语音编码算法研究与仿真

近年来的语音编码算法研究集中在参数编码以及混合编码方式,参数编码和混合编码是基于语音产生模型的编码方法,而线性预测分析技术则是这2种编码算法的基础。讨论LPC线性预测分析技术,主要分析了LPC 10算法的编解码过程,并且通过Matlab仿真,实现了一个简化的LPC 10声码器模型,通过对比重建语音和原始语音研究分析该算法的优缺点。

基于自适应GMM阶数与混合特征的说话人识别研究

针对高斯混合模型(GMM)阶数选取缺陷和说话人特征信息不足的问题,提出了基于自适应GMM阶数和多种语音特征融合的说话人识别算法。首先,通过提取梅尔频率倒谱系数(MFCC)和线性预测梅尔频率倒谱系数(LPMFCC),并根据Fisher准则得到一个17维的MFCC和LPMFCC参数组合的混合特征参数,以增强说话人的特征信息。然后,根据自适应思想,在K-means聚类算法中计算簇内误差平方和(SSE)。最后,通过肘部法则自适应调整K值,以获得一个最优GMM阶数,使得系统在已有的声纹特征下获得最优的识别效果。结果表明,该算法不仅完善了说话人的特征信息,并且克服了对GMM阶数选取的缺陷。最终结合LPCC和MFCC两种特征算法,融合得到的混合特征LPMFCC+MFCC的识别率相比于LPCC和MFCC提升了26.34%和12.34%。

一种基于LPC距离的端点检测改进算法

线性预测编码系数是能反应人类语音信号的重要特征,在安静环境下或信噪比较高的情况下,基于线性预测编码系数可以对语音信号进行准确的端点检测和语音识别。针对嵌入式设备资源和成本有限的情况,提出了一种基于线性预测编码系数距离的端点检测改进算法,在分帧阶段,引入动态调整窗长的方法,减少计算量,在语音和非语音的过渡段使用较小的窗长,增加检测的准确度。实验结果证明,改进后的算法能更加准确的区分语音和非语音段,更适合应用于噪声较强的情况下。

基于LPCC和能量熵的端点检测

为提高语音端点检测系统在低信噪比下检测的准确性,提出了一种基于倒谱特征和谱熵的端点检测算法。首先,根据分析得到待测语音帧的倒谱特征量,然后计算该特征量分别在通过训练得到的语音和噪声的高斯混合模型下的似然概率,通过两者概率的比较作出有声无声初判决;联合能量熵端点检测结果得到最终判决,最后通过Hangover机制最大限度的保护了语音。实验结果表明,此方法改善了能量熵端点检测法在babble噪声下的劣势,且在不同噪声环境下均优于G.729 Annex B的性能。

基于LPC技术的运动车辆目标分类研究

将线性预测编码(LPC)技术应用于运动车辆目标的多普勒特征提取中。首先,基于微多普勒原理建立了车辆目标雷达回波模型,分析了履带式车辆和轮式车辆各自回波的特点。其次,针对杂波干扰问题,采用CLEAN算法对其进行抑制。在此基础上,利用实测数据,提取了不同车辆目标多普勒的LPC系数,给出了预测误差和计算时间在不同LPC阶数条件下的变化趋势。最后利用学习向量量子化(LVQ)方法对提取的LPC系数进行分类,实验结果证明了LPC技术在车辆目标分类中的有效性。