共查询到20条相似文献,搜索用时 31 毫秒
1.
普通话水平客观测试中的韵母测试研究 总被引:1,自引:1,他引:0
在分析比较语音共振峰、LPCC、MFCC与Bark谱等语音特征参数的基础上,选择了Bark谱作为普通话水平客观测试中的韵母评测参数,实验结果表明其语音区分能力优于其他特征.根据音征互载的特点,提出了声韵结合的韵母评测建模方法.针对鼻韵母评测精度低的问题,提出了对鼻韵尾段单独建模的二次评价策略.通过对在普通话水平测评现场录制的语音数据进行的评测实验,证明所提出方法能有效提高评测精度,其韵母总体评测精度达到95.80%. 相似文献
2.
针对广播节目在传输过程中易受干扰的问题,提出了基于动态时间轴归整(DTW)算法的多词判别法语音识别技术,根据该方法通过提取Mel尺度倒谱参数,设计出基于DSP的广播节目抗干扰系统,实现广播信号的自动判别,实验表明该系统抗干扰能力显著增强. 相似文献
3.
采用Hilbert-Huang变换,对数字强震仪记录进行了分析,得到了几个典型记录的最低频固有模态函数(IMF),比较了常规处理记录和去除最低频IMF的记录加速度反应谱的差别,这种差别很小。据此得出了记录基线漂移对长周期反应谱的影响很有限的结论,指出数字化强地震动记录在长周期段是可靠的,设计反应谱可向长周期扩展。 相似文献
4.
5.
EMD在说话人辨认中的应用 总被引:3,自引:1,他引:3
提出一种基于经验模式分解的说话人辨认方法.通过对语音信号进行经验模式分解得到一系列内在模式函数,提取每一级模式函数的Mel频率倒谱系数和相邻两级模式函数差的Mel频率倒谱系数作为表征说话人的特征参数,对得到的特征参数用矢量量化进行识别.实验结果表明,方法是有效的. 相似文献
6.
《应用科学学报》2019,(6)
提出了一种电力系统低频振荡模态辨识方法.首先使用改进的经验模态分解(empirical mode decomposition, EMD)去噪算法对低频振荡信号进行预处理.针对传统EMD去噪时混叠噪声严重和计算时间较长的问题,在区间阈值处理的基础上向信号叠加余弦波并进行二次分解,可以快速有效地实现信噪分离.随后再利用矩阵束(matrix pencil,MP)算法提取模态参数.对于MP算法的关键定阶问题,引入奇异值的相对差值作为定阶指标,可以实现较为准确的阶数估计.最后对数值信号、系统仿真信号和电网实测信号进行分析.仿真结果表明,所提方法在抗噪能力、参数精度和计算速度等方面都表现优异. 相似文献
7.
为了解决连续语音识别在自然环境中噪声估计高误差、去除噪声和语言失真不能良好平衡、导致关键词识别率低下的问题,提出了一种全新的自动语音识别系统(ASR).本系统将双通道含噪语音信号通过空间增强模块进行噪声提取,通过均衡考虑语音信号和参考噪声输入谱减法模块进行去噪与语音失真的噪声去除和信号放大,最后进入基于隐马尔科夫模型(HMM)的自适应语音信号识别模块进行识别处理.实验显示,本系统可有效减少运算负载、提高关键词识别率. 相似文献
8.
9.
《黑龙江大学自然科学学报》2016,(3)
为了改善在低信噪比条件下,传统语音端点检测算法准确率较低的情况,提出了一种结合多窗谱估计的谱减法和能熵比的语音端点检测算法。该算法在低信噪比下,对带噪语音进行多窗谱估计的谱减语音增强后,结合语音信号的短时能量和子带谱熵,对增强后的语音信号进行能熵比的计算,并用于端点检测。实验结果表明,在不同的背景噪声且信噪比为-5 d B环境下,相对其他端点检测算法更有效地检测出语音端点,可达到70%以上的正确率,此算法更适合于低信噪比环境下的语音端点检测。 相似文献
10.
11.
基于频段能量特征的低速滚动轴承故障诊断 总被引:1,自引:0,他引:1
《应用科学学报》2017,(3)
直升机自动倾斜器滚动轴承通常在低速环境下工作,其故障特征频率易淹没在各种干扰频率中,因此以特征频率处的谱峰作为故障特征的传统诊断方法效果不佳.为此提出一种基于频段能量特征的低速滚动轴承故障诊断方法.计算振动信号的FFT和功率谱,利用轴承正常、内圈故障、外圈故障和滚珠故障4种状态的振动信号在功率谱上能量分布不同的特点,构建故障特征向量.利用具有小样本优势的支持向量机构建分类器,进行故障类型诊断.在实验台上模拟直升机自动倾斜器滚动轴承的低速工作环境,进行了故障模拟实验,采集振动数据,与传统LMD包络谱特征方法进行对比,验证了该方法在低速滚动轴承故障诊断方面的适应性和优越性. 相似文献
12.
13.
14.
15.
16.
17.
为了更有效地去除图像噪声,同时更好地保留图像边缘细节信息,提出了一种基于shearlet 域各向异性扩散和稀疏表示的图像去噪方法. 首先对含噪图像进行非下采样shearlet 变换(nonsubsampled shearlet transform, NSST),将图像分解为低频分量和多个高频分量. 低频分量中包含图像信号的主要能量以及少量的噪
声,而高频分量中含有大部分噪声和图像边缘信息. 然后,利用K-奇异值分解(K-singular value decomposition,K-SVD) 算法去除低频分量中的噪声,各个方向的高频分量则通过核各向异性扩散(kernel anisotropic diffusion,KAD) 算法进行去噪. 最后,对处理过的低频分量和高频分量进行非下采样shearlet 反变换(inverse nonsubsampled shearlet transform, INSST),得到重构图像,从而有效地去除图像噪声,保留图像边缘细节. 实验结果表明,与小波扩散去噪法、shearlet 硬阈值去噪法、K-SVD 稀疏去噪法、小波域稀疏去噪法相比,该方法的去噪能力更强,并能更好地保留图像纹理细节特征,改善图像视觉效果. 相似文献
18.
利用小波分析技术,对不同传感器接收到的声发射信号进行分解,提取出特征频率段的小波分量,对这一分量的重构信号进行相关性分析,确定了声发射信号到达两传感器的时间差,进而确定了声发射源的位置.对热障涂层进行铅笔芯断裂的定位分析验证了该方法的准确性. 相似文献
19.