窄带语音带宽扩展算法研究

为了降低谱失真,提出了一种基于隐马尔科夫模型的窄带语音带宽扩展算法。首先,算法选取与宽带谱包络互信息大的参数构成特征矢量,并利用隐马尔可夫状态和过去观察特征矢量的联合先验概率估计条件后验概率。其次,以条件后验概率为基础,算法结合贝叶斯条件参数估计法和最小均方差准则估计宽带谱包络。针对宽带激励信号估计,基于信号高频和低频的谐波相关性,提出了一种中频激励扩展算法。实验结果表明,与传统的基于隐马尔可夫模型的带宽扩展算法相比,本文算法可降低0.187 dB的平均谱失真,将谱失真大于10 dB的语音帧减少了34.3%。

结合人耳听觉感知的两级语音增强算法

针对现有语音增强算法面临残留噪声这一问题,结合人耳听觉系统的掩蔽特性,本文提出了一种优化的语音增强算法。算法分为两级,第一级利用MMSE-LSA谱估计法对带噪语音进行降噪处理,经过处理后,带噪语音信号的信噪比得到了提高。然后,针对第一级增强语音信号中的残余噪声利用人耳听觉掩蔽特性掩蔽掉。为此,算法结合人耳听觉掩蔽特性设计了感知增强滤波器,该滤波器能够有效去除第一级增强语音信号中的残留噪声。仿真实验表明,在各种复杂背景噪声以及信噪比环境下,经过本文算法处理后的增强语音信号残留噪声明显减少,算法提升了增强语音的主观感知质量。

基于多窗谱估计和几何谱减的低信噪比语音增强方法

在低信噪比条件下,传统谱减算法对语音和噪声的独立性假设会产生一定的"音乐噪声",从而降低了语音的可懂度.对此,本文提出了一种结合多窗谱估计和几何谱减的语音增强算法.本算法利用多窗谱估计带噪语音信号的功率谱,采用改进最小值控制递归平均算法实时跟踪估计噪声谱,应用几何谱减算法求解增益函数,从而恢复出精确的语音信号.通过在IEEE数据集上进行实验,并以PESQ和LSD作为评价指标,结果表明本算法在低信噪比条件下,缩短了带噪语音与纯净语音之间的频谱距离,并有效的抑制了增强语音的背景噪声,提高了语音可懂度.

基于字序列的非结构化简历信息解析方法

为有效解决传统简历解析方法效率低、成本高、泛化能力差的问题,提出一种基于字序列的非结构化文本简历解析方法。利用BLSTM对字序列进行建模,获得一个包含字序列信息的词表示;由BLSTM神经网络强大的学习能力对特征进行学习,获得相应的特征;根据前后标签的约束,使用CRF获得最优标签序列(CBLSTM-CRF);利用梯度下降算法训练神经网络,使用预训练字向量、Dropout优化神经网络,完成对中文简历的解析工作。实验结果表明,CBLSTM-CRF方法对简历解析的效果优于传统方案,利用BLSTM对字序列进行建模的方法在其它模型上也取得了较好的效果。

基于特征融合的中文简历解析方法研究

针对基于规则和统计的传统中文简历解析方法效率低、成本高、泛化能力差的缺点,提出一种基于特征融合的中文简历解析方法,即级联Word2Vec生成的词向量和用BLSTM(Bidirectional Long Short-Term Memory)建模字序列生成的词向量,然后再结合BLSTM和CRF(Conditional Random Fields)对中文简历进行解析(BLSTM-CRF)。为了提高中文简历解析的效率,级联包含字序列信息的词向量和用Word2Vec生成的词向量,融合成一个新的词向量表示;再由BLSTM强大的学习能力融合词的上下文信息,输出所有可能标签序列的分值给CRF层;再由CRF引入标签之间约束关系求解最优序列。利用梯度下降算法训练神经网络,使用预先训练的词向量和Dropout优化神经网络,最终完成对中文简历的解析工作。实验结果表明,所提的特征融合方法优于传统的简历解析方法。