基于小波变换的语音数据压缩的研究

语音数据压缩是为了提高信号传输和存储的效率.根据小波包变换时-频分析的特点,选取适当的小波函数将语音信号在正交小波包基下展开.由于语音信号的大部分能量集中在低频系数上,故对高频系数采用阈值量化处理,对剩余系数进行哈夫曼编码,从而完成语音数据的压缩.通过仿真分析,采用这种方法的压缩效果比较高.     

基于压缩感知的语音压缩与重构

基于语音信号在离散余弦基下的近似稀疏性,对语音信号采用压缩感知技术进行压缩和重构,研究了分析窗长固定时重构误差与观测点数的关系, 针对低压缩比下重构信号"noisy"的特性,提出对重构信号进行小波去噪联合低通滤波的方法以改善重构语音的质量,并研究了低压缩比下分析窗长对重构信号质量的影响.仿真结果表明低压缩比下,合理选取分析窗长,并采用小波去噪联合低通滤波的处理方法可以明显改善重构语音的质量.     

基于小波变换的语音信号的特征提取

本文将小波变换用于语音信号目标特征的提取,利用小波变换对语音目标进行小波包分解后提取各频带内的能量特征作为特征向量。实验表明,小波变换使信号的频率特征得到增强,且压缩了特征空间的维数,具有很好的语音信号分类效果。     

语音信号的小波变换处理方法

利用小波变换时-频分析的特点,针对语音信号特征,选取适当的小波母函数进行增强和压缩编码处理.通过Matlab仿真分析,得到增强后的信号图和压缩后的压缩比参数、能量保留参数、零系数比例系数.结果表明,基于小波变换的语音信号处理表现出良好的特性.     

语音压缩感知及其重构算法

在研究语音信号在小波域的稀疏性的基础上,提出双正交小波变换的方法,与一维小波变换方法相比稀疏度提高10%～25%.此外,提出基于自适应次梯度投影算法(ASPM)进行压缩感知(CS)语音信号重构的方案.ASPM算法首先根据压缩感知重构模型建立包含稀疏重构信号并具有随机属性的凸集,然后运用次梯度投影的思想将该凸集的投影转化...     

动态心电数据的小波网络压缩算法

研究了心电信号的非平稳过程特性,从时间序列建模角度分析动态心电数据表示模型和压缩算法。采用小波网络作为建模工具,将原始心电数据映射为小波网络的参数作为数据重构信息,给出压缩/重建的实验结果并分析讨论。研究表明,小波网络压缩算法继承了小波变换和神经网络的优点。具有较好的压缩性能。     

小波变换在语音信号处理上的应用

利用小波的多分辨率分析,以及其良好的空间域和频率域局部化特点,针对语音信号特征,选取适当的小波算法进行去噪和增强语音,压缩编码,提取语音信号特征等处理。通过Matlab仿真分析,得到增强后的信号图和压缩后的压缩比参数、能量保留参数、零系数比例系数,提取的信号特征。结果表明,基于小波变换的语音信号处理表现出良好的特性。     

计算全息图的小波神经网络压缩方法

采用小波神经网络方法对信息量较大、难提高压缩效率的计算全息图进行数据压缩,利用其较强的非线性映射和函数逼近能力自适应地调整和处理全息图,可大幅减少信息冗余,得到较好的压缩效果.实验结果表明:利用该算法能得到1.56%的低压缩率,此时的再现像较清晰,失真较小;与常用压缩算法相比,当压缩率很低时,用小波神经网络压缩全息图是一种切实可行且更有效的方法.     

小波包分析在信号压缩中的应用

着重介绍了将信号在小波包最优基下展开,利用小波包最优基极好的空间、尺度定位性,使得信号的小波包变换系数在小波变换域尽可能集中,从而使在不降低压缩信号的质量情况下,进一步提高信号压缩比成为可能.具体讨论了小波包分析及小波包最优基的选取,同时针对小波分析在信号压缩中的局限性,研究用小波包分析来进行信号的压缩,从而提高了信号的压缩比和重建信号的质量,并用于实际数据处理压缩.     

小波变换在信号降噪中的应用研究

分析了小波变换的基本原理,采用小波变换和傅里叶变换方法,降噪处理了noisdopp信号并对比了处理结果,结果表明,小波阈值降噪在降噪的同时,能很好保存有用信号中的尖峰部分和突变部分.计算机仿真了实时采集的语音信号,结果表明,小波变换能从强噪声背景中提取有用信号,并能保留信号的大部分能量,且与原始信号有较好的相似性,能极大提高信号的信噪比,具有一定的工程应用价值.