一种组合参数的语音信号清/浊音判决方法

提出一种基于组合参量的语音信号清／浊判决方法，减小了清／浊单信号特征概率分布的重叠区域，程序设计简练。经计算机仿真表明，与单一参量判决方法相比，其错判率小，抗噪性好。     

正弦激励线性预测声码器子带清浊音模糊判决

为了解决目前正弦激励线性预测声码器中各子带的清浊音硬判决使得语音帧间产生明显过渡感的问题,提出一种子带清浊音模糊判决算法,直接采用自相关函数对各子带的清浊音度进行描述,矢量量化后传输至解码端,用于激励信号的产生.测试结果表明: 采用子带清浊音模糊判决算法,能够消除语音帧间的过渡感,能够使各种速率正弦激励线性预测声码器的平均主观意见得分提高约0.05以上.     

基于粒计算的清浊音检测算法

提出了一种基于粒计算的语音信号清浊音检测算法。该算法利用粒的理论对清浊音检测中用到的8种语音信号的特征参数进行分析,构造决策表,计算得出各参数对清浊音判决的重要度,得到多参数结合的求解最优路径。为进一步提取决策规则,进行多参数清浊音检测提供了基础。     

清浊音分段判决的递推最小二乘自适应算法

在"零-能"判决法的基础上,结合递推最小二乘(RLS)对非平稳信号的自适应跟踪能力,提出自适应的清浊音分段算法.算法能够快速实现语音信号清浊音的精确分段,不需要通过样本集训练进行参数调整.其自适应能力是在单一话音样本上实现的,由RLS算法在清音段、浊音段及清浊音段交界处不同的跟踪能力来判别清/浊音段.与基于阈值的方法不同,算法基于极值点的识别,避免各种基于样本集训练的自适应学习算法在泛化能力上的缺陷,对于不同采样率、说话人、音量、背景噪声等变化因素,具有较强的自适应处理能力.     

基于Gauss混合模型的清浊音恢复改进算法

为提高子带清浊音(unvoiced/voiced,U/V)解码端恢复算法在不同能量电平下的鲁棒性,提出了一种改进型能量自适应U/V参数解码端恢复算法。通过跟踪长时能量的变化轨迹,在Gauss混合模型(Gaussian mixed model,GMM)下,用归一化的能量参数和线谱频率参数(line spec-tral frequency,LSF)对U/V参数的分布特性进行估计。测试结果表明:在较低的能量电平下,与用绝对能量对U/V参数进行恢复的算法相比,该能量自适应U/V参数恢复算法能够将清浊音误判率降低10%～25%,并将合成语音的平均意见得分(mean opinion score,MOS)提高0.03～0.09,改善了算法的性能。     

藏语语音的清浊音识别

清浊音识别在语音处理技术中具有非常重要的意义,其准确度对后续的语音处理有很大的影响.文章根据藏语言文字的特征提取了藏语有声段语音的短时能量、短时过零率以及短时自相关等参数,并通过对语音进行短时时域分析,研究了藏语的清浊音识别方法.实验证明,此方法在藏语辅音字母的清浊音识别中获得良好的效果,该方法为进一步深入研究藏语语音技术提供了一定的参考依据.     

多尺度随机过程的线性预测方法

在反射系数未知的情况下,给出了基于已知观察数据的各向同性多尺度随机过程的线性预测公式,并据此提出了偏相关向量函数的概念,与反射系数相比,偏相关向量函数可由观察数据确定,它反映了前、后向预测误差分量之间的相关程度,为了进一步研究该函数的性质,分析了偏相关向量函数与反射系数的关系,该关系表明,偏相关向量函数可用于自回归过程的阶数确定,数值实验结果验证了所给方法的有效性及良好 的线性预测精度。     

利用ARMA(p,q)模型预测流域蒸发量

根据山西省长治县气象站1980年1月至2000年12月的月蒸发量时间序列的随机变化特征,探讨了建立蒸发量变化的自回归滑动平均(ARMA)(p,q)模型的方法,并对蒸发量进行了预测,为研究随机的水文气象特征量提供了一个新途径。     

基于相关函数线性预测的高分辨测向方法

本文分析了均匀线阵输出信号的相关矩阵结构，提出了基于相关函数线性预测的高分辨测向方法．理论分析表明，通过相关函数的线性预测，可以获得较高的角度分辨率．本文还给出了计算机仿真实验，验证了该方法的正确性与可行性．     

基于模式识别的语音分类方法

对语音的浊/清分类方法进行了讨论,并着重研究了基于多个特征参数、应用模式识别理论的语音分类系统.实验表明,采用Fisher分类器实现的语音分类方法,对训练内语音分类准确率可达98.6%,而训练外语音分类准确率也可达96.7%.     

基于线性预测下的语音信号合成

线性预测编码(Linear Predictive Coding)是实现语音编码的一项重要技术.通过对语音信号和LPC的研究,介绍了语音信号的线性预测分析原理,详细分析用来求解线性预测方程的自相关法和计算方法,并用Matlab对实际语音信号进行线性预测编码实验.实验结果表明,应用LPC法合成的语音信号误差小、计算简单、合成速度快.     

基于预测神经元模型的语音线性预测系数求解新方法

采用预测神经元作为语音信号线性预测模型的一种实现形式,可将线性预测系数的求解问题转化为预测神经元的训练问题,并运用BP算法得到了[神经元权值（即线性预测系数）的递推计算公式,考虑到语音信号能量的不确定性,提出了运用相对预测误差能量作为判断的参数,并按清音和浊音中两种情况讨论了收敛判据,由于利用预测神经元的迭代训练算法,理论上可以最大限度地挖掘语音样本中的相关性,因而可得到非常精确的线性预测系数,计算结果表明,运用预测神经元方法所得到的线性预测系数,精度明显高于传统的杜宾算法和格型算法。     

一种基于信道软译码的差错隐藏算法

为满足恶劣无线环境下低速率语音通信需要,针对混合激励线性预测(MELP)提出了一种基于信道软译码的差错隐藏算法.利用软译码所得对数似然概率比估计比特错误概率,提出了利用比特错误概率和信源残留冗余,基于最大后验概率(MAP)估计合成端语音清浊音模式.对不同的清浊音模式,选择不同的参数重构方案,浊音帧时,利用对数似然概率比基于最小均方误差(MMSE)准则进行参数重构;清音帧时,硬判决对数似然概率比,由硬判决结果通过映射直接重构参数,在信道编码为递归系统卷积码和并行级联卷积码情况下,采用PESQ测试了提出的差错隐藏算法误码条件下合成语音质量.测试结果表明,与近年来提出的针对MELP的差错隐藏算法相比,该算法具有更好的性能.     

Multi-Band UV Decision Making Method Based on LPC Analysis

IntroductionSince the multi- band excitation ( MBE) vocoderovercomes the limitations of the unvoice or voiceduality excitation in the linear- prediction coding( LPC) vocoder,it distinctly improves the timbreof synthesized speech.In the standard MBEalgorithm[1,2 ] ,the speech spectrum is divided intoa certain number of sub- bands according to thefrequency of the harmonics.For each sub- band,the spectrum amplitude Am is analyzed to judgewhether it belongs to voice or unvoice.In thedecoding p…     

一种基于LPC残差的语音激励脉冲逼近方法

针对某些语音LPC(L inear Pred iction Cod ing)分析的缺陷提出一种改进算法。该算法重点研究经典LPC分析后基音激励方向向下的语音,对这种浊音LPC残差进行后滤波以取代预增强的方法使其逼近语音激励。该算法将传统LPC分析中的声道模型和声门模型分开考虑,既避免了引入ARMA模型难以计算的缺陷,同时又显著的抵消了声门模型中极点的影响。实验表明,该算法对经典LPC分析后基音激励方向反向的语音,改善效果明显,残差的方向性与理论分析更加吻合。最后将该方案应用于语音水印的研究中,具有一定实用性。     

基于改进线性预测基音频率的语音情感识别系统

针对目前常见的语音特征提取方法应用于真实环境中,所提取的语音特征包含有噪声干扰的问题,进而导致情感识别时出现的分类模糊化情况,为此提出一种新的语音特征提取方法,即线性预测基音频率特征提取方法。它主要是基于线性预测系数来构建模型,利用构建的模型消除声道响应信息以及抑制噪声干扰。由于此方法对于分类模糊化问题没有得到较好改善,利用模型相同的LPCMCC(LPC Mel cepstral coefficients,LPC美尔倒频谱系数)来对线性预测基音频率进行改进,并设计基于线性预测基音频率、其改进特征、LPCMCC与SVM(support vector machines,支持向量机)的语音情感识别对比实验。对比实验表明,此改进特征提取方法应用在情感识别领域的平均精度最高为84%,比线性预测基音频率和LPCMCC要高出22%、14%。为了测试此改进特征在真实环境中的分类效果,在此改进特征的基础上设计了一种基于MATLAB GUI技术的语音情感识别系统。实验结果表明这种新的改进特征能有效改善情感识别时出现的分类模糊化情况,基于此改进特征的语音情感系统能广泛地识别出噪声干扰下的说话人情感。     

噪声环境中基于HMM模型的语音信号端点检测方法

在噪声环境下如何提高语音信号端点检测的准确性是自动语音识别（ＡＳＲ）研究中的一个重要课题．常用的基于短时能量的端点检测方法对于能量较低的音节或在信噪比较低的环境下,检测性能不够理想．讨论了一种基于ＨＭＭ模型的语音信号端点检测方法．先用训练的方法生成背景噪声和废料的模型,再用Ｖｉｔｅｒｂｉ解码算法对待测信号进行处理,并给出了具体的实现方法．实验测试结果表明,基于ＨＭＭ的端点检测方法的检测性能接近于人工检测,方法是有效的．