基于语音抑制的飞机识别研究

为研究短波语音通信下的飞机识别,提出利用2种方式对目标声信号进行分析处理.为实现对语音进行抑制,分别利用全局经验模态分解(EEMD)和经验模态分解(EMD)将信号进行重构,然后根据重构后的目标信号进行Bark域频率感知的小波包分解(BWPD)和高阶累积量(HOC)分解,对目标声信号分别提取了听觉感知的特征和展现信号的物理特性的特征;分别利用EEMD和EMD分解对信号进行重构,然后选择Mel 频率倒谱系数和高阶累积量对重构后的信号进行特征提取.对比实验表明:EEMD-BWPD-HOC方法能够抽取出有效的飞机舱内背景声音信号特征,实现语音抑制,并且以较高的识别率识别出4种飞机.     

基于EMD的语音信号压缩感知算法

文中将压缩感知理论和经验模态分解方法(empirical mode decomposition,EMD)相结合,用于语音信号压缩上,提出了一种基于EMD的语音信号压缩感知算法。首先用EMD将语音信号分解,可得语音信号的本征模函数信号分量。然后仿真实验模拟EMD分解的过程,并验证本征模函数信号分量的稀疏性。最后结合压缩感知理论基础分别对各个信号分量进行观测抽样,以实现语音信号的压缩。由仿真实验结果可知,语音信号经EMD分解后得到的信号分量在DCT域上较原始语音信号有更好的稀疏性,并且将该算法压缩重构还原出的信号与常规的基于DCT的压缩感知算法以及基于近似KLT的压缩感知算法相比较有更高的平均信噪比,重构性能更佳。     

基于EMD的声纹特征参数提取

提出了一种新的结合支持向量机(SVM)、经验模态分解(EMD)和短时处理技术的声纹识别方法,将EMD分解和短时处理技术相结合提取特征参数,采用SVM实现声纹识别.实验结果表明,所提出的方法比传统的短时分析+GMM方法在识别率上由92.5%提高到了95.1%.     

一种基于EMD技术的语音信号去噪算法

分析了基于经验模态分解(EMD)方法的含噪语音信号尺度滤波特性,并根据清音和浊音的不同特点,应用软门限方法对以宽带随机噪声为背景的语音信号IMF分量作门限处理,提出了一种基于EMD的语音信号噪声处理的算法,计算机实验仿真结果表明,该算法具有较好的语音去噪效果和较小的语音失真性能。     

基于张量分解模型的语音信号特征提取方法

提出了一种通过张量分解提取语音信号特征的方法. 该方法对语音信号进行预处理,然后对每帧语音信号进行小波分解得到不同尺度上的信息,对这些信息提取传统特征参数,构建一个帧结构×分解尺度×特征参数的三阶张量,并经过张量分解得到各阶投影矩阵,从而建立语音信号在高阶空间上的特征体系,以便充分表征语音信号的特征. 实验结果表明,本文提出的方法与传统特征参数体系比较,有利于语音识别系统性能的提高,并且对于带噪语音的识别具有一定的鲁棒性.      

基于EMD的基音检测预处理技术

针对基音检测的性能严重受背景噪声影响的问题,论文基于经验模态分解(EMD)理论,研究了含噪语音信号的EMD分解特性,参照小波阈值去噪方法,提出了一种基于EMD的自适应语音去噪算法,并且针对软、硬阈值函数的不足提出了一种新的阈值函数.MATLAB仿真结果表明,该方法可以有效地去除噪声,较好地恢复语音信号,与小波阈值去噪方法相比,信噪比、均方根误差等性能指标均有明显提高.     

基于EMD技术的语音特征提取方法

利用软件MATLAB仿真了语音信号的经验模态分解（EMD）特性,并与相关文献报导的其他分解方法进行了比较,结果表明：EMD法能达到更好的说话人识别效果。当不同的人发相同语音时,其频谱特性是不同的,把语音信号进行EMD分解后的IMF做频谱变换,便能得到一个特征向量,于是根据特征向量的不同而达到说话人识别的目的。以上实验结果有助于开辟说话人识别的新途径。     

基于EMD的前后置滤波语音增强算法

针对低信噪比下语音增强困难的问题及经验模态分解(empirical mode decomposition,EMD)在语音增强中的有效应用,提出了一种基于EMD的前后置滤波语音增强算法.将含噪语音信号进行卡尔曼滤波后做EMD分解,采用能量阈值法判断出含有残余噪声的本征模态函数(IMF),对其小波变换后与其余IMF重构为最终的语音增强信号.实验表明,在输入信噪比为-10~5dB的不同噪声环境下,以时域分段信噪比及语音质量感知评测PESQ作为评价指标,效果均优于单独的EMD、小波软阈值法及卡尔曼滤波算法,是一种有效的语音增强算法.     

基于EEMD和ICA的语音去噪方法

语音去噪技术是语音识别系统走向实用化的一个关键性难题.针对语音信号为非平稳信号的特点,提出了一种基于EEMD和ICA相结合的语音去噪方法,首先利用集合经验模态分解(EEMD)算法将含噪语音信号分解为若干个独立的固有模态函数(IMF),消除了经验模态分解(EMD)算法处理语音信号时产生的模态混迭现象;然后将固有模态函数通过改进的独立分量分析(ICA)算法分离出若干个有效的语音信号分量;最后对其进行语音重构,从而达到消除噪声干扰的目的.实验结果表明,该方法在输入信噪比为-10dB的汽车噪声条件下,可以将语音信号的信噪比提高到2.741 2 dB.     

经验模态分解(EMD)在滚动轴承故障诊断中的应用

针对滚动轴承故障振动信号的非平稳特征，提出了基于经验模态分解(Empiri-cal Mode Decomposition，简称EMD)和神经网络的滚葡轴承故障诊断方法，首先对原始信号进行了经验模态分解，将其分解为多个平稳的固有模态函数(Intrinsic Mode functioll，简称IMF)之和，再选取若干个包含主要故障信息的IMF分量，并从中提取时城特征措标——峭度或裕度因子作为神经网络的输入参数来识别滚动轴承的故障模式，对滚动轴承的内圈、外圈故障信号的分析结果表明，以EMD为预处理器提取时域特征参数的神经网络诊断方法比直接从原信号中提取时域特征参数的诊断方法有更高的故障识剐率，可以准确、有效地识别滚动轴承的工作状态和故障类别。     

EMD结合Teager能量用于语音情感识别

在语音情感识别系统中,语音情感特征的提取尤为重要,本文在前期已有对EMD分解研究的基础上,将EMD分解与Teager能量算子相结合,用于语音情感识别。文中首先利用EMD分解得到一组IMF分量,再对各阶IMF分量提取Teager能量,然后通过对不同语种的不同情感语音的Teager能量在Mel频率的分析,提出了一种新的情感特征：基于EMD分解的Mel频率的Teager能量谱系数(ETMC),最后利用SVM分类方法对不同语种的不同情感进行识别,实验结果表明,该方法有很好的识别结果。     

一种新型语音识别系统

提出一种新型语音识别系统,采用帧能量与帧过零率的乘积作为指标量进行语音端点检测,以MFCC作为语音信号特征矢量,基于HMM语音识别模型进行语音识别.同时,提出了一种新的抗噪语音识别方法,通过改进型重复Wiener滤波结合PUM模型进行抗噪语音识别,较好地抑制了噪声干扰,提高了语音识别率.     

基于G.729编码参数的语音特征及其应用

目的从低比特率语音编码参数中直接提取语音特征。方法针对G．729编码技术提出了一种从编码参数直接计算倒谱系数和基音／能量轨迹特征的方法。结果该方法通过对残差信号进行线性预测分析，提高了谱包络的精确程度，并从码本增益和延时参数中得到了基音／能量轨迹特征。结论说话人识别的实验结果显示，新方案能够使得基于G．729编码参数的说话人识别效果得到较明显的提高，达到了用解码语音进行识别的水平。     

管制指令特征参数提取研究

在管制指令语音识别系统的研究中,语音的特征参数提取方法是影响系统识别率的关键因素之一。在Matlab平台上基于MATLAB GUI技术,设计完成HMM语音训练识别模型的用户操作界面,实现特征参数提取方法的选择、语音信号的训练、识别操作及结果输出和波形显示。通过实例对比分析,特定人和非特定人情况下,LPCC和MFCC两种特征参数提取方法在训练、识别时间和识别率上的差异。结果表明,特定人时LPCC参数的识别优势明显;非特定人时,MFCC参数的识别效果和效率更好。     

说话人识别中改进的MFCC参数提取方法

在说话人识别技术中,特征参数的提取对语音训练和识别有着非常重要的作用。而Mel频标倒谱系数MFCC是一种常用的特征,它能对语音信号进行分析处理,去除对语音识别无关紧要的冗余信息,获得影响语音识别的重要信息。同时由于语音信号具有时变和混沌特性,以非线性随机共振理论和人类对听觉的理解为基础,提出了一种基于随机共振的MFCC特征参数提取方法。通过实验比较两种方法的结果,论证了改进方法的可行性以及优越性,为说话人识别技术中特征参数提取提供了一条新的研究方向。     

藏语孤立词语音识别系统研究

藏语语音研究相当滞后,文章结合语音识别知识和藏语特点,尝试性地研究了藏语孤立词语音识别研究.首先提取MFCC参数作为语音特征参数,形成语音模板库,采用DTW模型实现了语音识别系统,并且针对藏语孤立词多音节的特点,改进了传统的基于短时能量和短时过零率双门限检测法,即加入了音节间静音段时长门限,提高了孤立词语音信号检测的准确性和识别率.     

一种噪声环境下的语音识别方法(线性预测误差法)的研究

介绍一种平稳噪声环境下语音识别的新的方法。该方法利用噪声的LPC系数去预测语音信号,从而得到LPC预测序列,然后把它代替原语音序列来进行语音端点的检测、语音特征的提取和在合适的匹配方式下的识别。实验结果表明：该法在噪声环境下自动检测语音端点和提取语音信号的特征是可行的,获得了很满意的识别率。     

基于非线性共振的说话人特征提取研究与仿真

针对人发声系统的非线性特性和语音信号的类混沌特性,提出了一种基于非线性共振Duffing模型的说话人语音信号的特征提取方法。实验结果表明:采用非线性共振Duffing模型的特征提取方法,较基于非线性动力学提取广义维数特征具有较高的识别率。同时,同一语音信号在相同的识别系统中,与经典的MFCC特征相比,也具有较高的识别率。     

一种新的四元阵列融合声源识别方法

针对声源识别中观测模型线性化误差,信号特征参数提取依赖于经验分析阈值判断而造成信息丢失的问题,本文从信号观测模型、预处理、特征提取与分类识别、半实物仿真试验等方面,提出了一种新的四元阵列融合声源识别方法。首先在系统坐标系下建立了四元阵列有色噪声环境下的观测模型;其次基于EMD理论,给出了四元阵列EMD融合算法,有效抑制了高频信号的干扰;再次基于MFCC-DTW方法,设计了阵列信号特征提取与分类识别算法;最后通过半实物仿真试验,并与相关研究基础对比,分别验证了本文提出的EMD融合算法及阵列信号特征提取与分类识别算法的有效性。