一种利用线性预测残差的语音去噪方法

提出了一种利用线性预测残差去除语音中加性白噪声的方法 .含噪语音经过线性预测分析后 ,所得的线性预测残差可分为与语音相关的语音残差部分和与噪声相关的噪声残差部分 .当噪声为白噪声时 ,噪声残差能量与噪声能量的比值大于语音残差能量与语音能量的比值 ,并且随着含噪语音信噪比的增大 ,两者数值上的差距越来越大 .因此 ,从含噪语音中按一定比例 λ(0 <λ<1 )减去预测残差 ,即可抑制噪声残差能量 .这实际上抑制了含噪语音中的噪声能量 ,提高了其信噪比 ,从而达到在一定程度上去噪的目的 .同时 ,这样处理造成的语音能量损失是有限的 .特别是 ,上述方法中对语音成分的操作仅仅在预测残差内进行 ,对语音的共振峰影响很小 ,因而能够较好地保留语音信号的频谱结构 ,使语音品质不致降低 .实验结果表明 ,该方法简便而有效     

自适应语音压缩感知方法

针对固定正交基下语音信号稀疏化程度低、适应性差的问题,提出了一种自适应的语音稀疏化方法,并将其应用到语音压缩感知理论中.该方法首先采用线性预测系数的加权线性组合对语音信号进行线性预测,并以线性预测残差基作为信号基.然后,按照稀疏约束条件训练出稀疏表示的过完备字典,并交替应用1-范数稀疏约束的追踪和奇异值分解算法,达到字典与稀疏系数同步更新.该方法从信号特征入手,学习并提取特征或纹理信息,能较好地实现语音信号的稀疏化,提高语音压缩感知的重构性能.实验结果显示,与其他正交基方法相比,该方法的语音稀疏化程度高.语音质量的主客观评价结果显示,该方法具有良好的重构性能.     

利用线性预测残差的语音去噪方法

语音信号中经常混有加性噪声,噪声的存在会使语音处理系统的性能急剧下降,因此语音去噪是语音信号处理中的关键技术之一.提出一种利用线性预测残差去除语音中的加性白噪声的方法,实验结果表明,该方法可以有效地去除语音信号中的加性白噪声,并且保持语音信号较好的清晰度和可懂度.     

几种不同基频提取算法的比较研究

基频提取算法一直是语音信号处理领域的研究热点,文章将当前的多种基频提取算法分为时域、频域以及时频混合三个方面,并分别对其中的AMDF算法、线性预测残差倒谱算法以及小波变换的基频提取算法进行了比较研究,对三种算法分别在如何准确判定语音波形的谷值点、语音信号突变以及语音的消噪等不同的语音信号处理角度进行了阐述,并在分析其优缺点后,提出将多种基频检测方法结合能更好地促进基音周期检测的准确性.     

基于倒谱修正模型的语音基音检测算法

该文提出了一种基于修正倒谱模型的改进的倒谱基音检测算法.该算法首先对分帧语音进行10阶线性预测编码(LPC)分析和逆滤波,获得LPC预测残差;然后对残差信号进行倒谱分析,倒谱分析中采用了离散傅里叶变换频谱的高频分量置零的计算措施;最后根据倒谱的特征求得浊音语音的基音周期.仿真检测结果表明:该算法无论对纯净语音,还是对不同加噪情况下的含噪语音,其基音检测结果都明显优于传统倒谱基音检测算法,并且也明显优于基于平均幅度差函数的基音检测算法,而略优于基于自相关函数的基音检测算法.     

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.     

子波激励线性预测（WELP）的语音编码方案

从子波变换这个新的概念,给出了一种语音信号预测模型残差激励信号的分解方法,提出了一种语音信号编码方案,即子波激励的线性预测编码法(WELP),给出了部分实验结果,实验表明,在相同的音质条件下,WELP方法比其它方法能更进一步降低比特率,有希望在低比特率语音编码中得到应用。     

加性噪声环境下语音特征参数提取方法的研究

提出一种具有良好抗噪性的语音特征分析方法.将语音信号的短时自相关序列进行时间方向上的平滑处理,然后利用平滑后的序列代替原语音信号进行线性预测分析,从而得到线性预测倒谱系数.实验表明,利用该特征参数的语音识别系统的识别性能优于MEL倒谱系数、LPC倒谱系数等传统的语音特征参数.     

一种基于LMI的H-/H∞故障检测观测器优化设计方法

针对线性时不变动态系统,构造一个线性全阶输出观测器,获得包括扰动、噪声、建模误差等未知输入信号和故障信号的残差动态特性,选用残差对故障信号的H-指数描述其对故障的灵敏度,用残差对未知信号的H∞范数表示其对不确定因素的鲁棒性,将故障检测观测器的设计描述为一个优化问题.研究了基于线性矩阵不等式的故障检测观测嚣设计,给出了求解最优观测器增益的方法,并证明了该解存在的条件.实践结果表明,应用该方法所设计的故障检测观测器灵敏度高,对干扰信号具有强鲁棒性.     

变码率增强型双带激励LPC低速语音编码算法

基于对语音信号的分析，借鉴频率分带技术和码激励线性预测编码中传输残差信号可提高合成语音鲁棒性的思想，建立了双带激励模型，同时对基音检测、矢量量化、语音合成等环节加以改进，提出了最高码率为2400bit／s，最低码率为80bit／s的变码率增强型双带激励LPC(Linear Predictive Coding)低速语音编码算法。仿真结果表明：该算法在有效降低平均码率的前提下能保证较高的合成语音质量。     

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。     

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。     

高阶谱分析在抗噪语音编码中的应用

将高阶谱分析技术应用于语音编码中以提高其抗噪声的性能,给出了两处利用高阶量提取语音参数的语音编解方案：a．采用高阶累积最小二乘直接估计法提取语音参数进行编码;b．采用高阶累积量SVD－TLS估计法提取语音参数进行编码,研究结果表明,这两种方案在噪声环境中工作时,具有极好的抗高棋朋色噪声和对称分布噪声的能力,总的抗噪性能明显优于传统的LPC声码器。     

一种语音信号对数幅度谱包络的无偏算法

LPC谱估计算法摆脱不了全极点模型的束缚,通过提高模型阶数来获得更好的频谱包络,但其在谱的谷值处有很大偏差的缺点.文中对倒谱法通过对对数频谱密度函数定义和对残差的迭代更新,得出了一种对数幅度谱包络的无偏算法.与LPC和MEL-LPC法比较具有较多优点,为语音信号零极模型的估计和对语音特征研究提供依据.     

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。     

基于LPC预测误差DWT的语音基音检测

在对语音信号进行ＬＰＣ分析的基础上，提出了一种有效的语音基音周期检测算法。该算法利用小波变换中著名的Ｍａｌｌａｔ算法逐层分解ＬＰＣ预测误差信号，在最低分辨率的逼近信号中寻找峰值，然后逐层回溯各个分辨率的逼近信号，最后在ＬＰＣ预测误差中确定出峰值，从而求出相应的基音周期。     

语音信号的微机分析系统

从语音信号的多种常用分析方法着手，讨论了语音信号的特性，用Ｃ~（＋＋）语言编程，实现了采用微机对语音信号进行分析，并可在屏幕上同时显示语音的时域波形、预测误差信号、自相关函数、ＬＰＣ谱和ＦＦＴ谱等，还提供了对语音进行编辑（包括增删、重叠、放大、缩小等）功能。     

一种基于盒子维的图像复制-粘贴篡改检测算法

提出了一种基于盒子维的图像复制-粘贴检测算法。对图像分块后,提取各分块的盒子维与几何矩相结合做为各块的特征量,而后通过对图像块特征向量进行相似性检测来定位篡改区域。实验表明：该算法有较强检测能力,能抵抗高斯白噪声等后处理操作。     

噪声环境下语音识别方法研究

研究了6种噪声背景下与说话人有关的孤立词语音识别方法。它们是：线性预测误差法,单边自相关线性预测法,语音前端声学处理法,正则相关分析的谱变换补偿方法,特征综合法和同模极点增加法。实验结果表明,这6种方法都有效地提高了噪声环境中语音识别率,其中较好的方法在强噪声环境中(信噪比为0dB)的语音识别率达到80%以上,为信噪比较低的噪声环境中自动语音识别展现了美好前景。