小波变换和HMM模型在语音识别中的应用

提出了一种基于小波变换和HMM模型的ARMA新模型参数,并将它用于A…N的英文字母的识别。小波变换可以高频提供高的频率分辨,在低频提供高的时间分辨率,而ARMA模型则可以改善LPC模型中没有零点的不足。实验结果表明,2个零点,10个极点的ARMA对字母C的识别准确性明显提高。     

一种改进的基于小波去噪HMM非特定人语音识别算法

在HMM算法的基础上引入了小波去噪理论,从而提高了原始语音的信噪比和最终识别率.由于分别对每段语音去噪并进行端点检测,大大降低了运算量,因而减少了训练时间,达到了较好的识别效果.通过与DTW算法的对比,证明了改进的HMM算法在非特定人语音识别中的良好效果.     

小波变换在语音识别中的应用

提出了一种基于小波变换和ＡＲＭＡ模型的新参数，并将它用于Ａ．．．Ｎ的英文字母的识别。我们使用的数据库是ＮＩＳＴ。小波变换要以在高频提供高的频率分辨率，在低频提供高的时间分辨率，而ＡＲＭＡ模型则可以改善ＬＰＣ模型没有零点的不足。实验结果表明，识别的错误率提高１４．２７％。     

小波变换在语音识别中的应用

提出了一种基于小波变换和ＡＲＭＡ模型的新参数，并将它用于Ａ…Ｎ的英文字母的识别。我们使用的数据库是ＮＩＳＴ。小波变换要以在高频提供高的频率分辨率，在低频提供高的时间分辨率，而ＡＲＭＡ模型则可以改善ＬＰＣ模型中没有零点的不足。实验结果表明，识别的错误率提高１４．２７％。     

一种基于 HMM 算法改进的语音识别系统

针对传统的 HMM 模型中状态持续时间不长的不足,且在计算量大的情况下,语音识别精度不高,训练时间长,训练误差较高,提出了一种基于语音状态持续时间长的 HMM 模型。 首先,令状态转移矩阵的对角线元素全为 0,去掉自转移弧,再增添以参数化的函数描述持续时间的高斯分布,再通过帧与帧相互 之间的关联程度,将每帧都计算进去;其次,通过重估公式反复计算每条弧被指定的转变概率和可见符号序列输出最原始的数值概率,直至收敛,停止运算。 最后,在 HMM 模型改进前后实验中得到更小的训练误差,下降速度更快,计算量较之前减少多,更容易达到收敛,其概率输出与它前面一个概率输出的差值与该概率 输出值的比值大于 HMM 模型设定的初始值。 与传统 HMM 模型实验比较,基于持续时间状态的 HMM 模型可以在一定程度上降低训练次数和训练时间,提高识别语音的精确度,基本完成了语音识别系统的功能。     

用遗传算法改进HMM的语音识别算法

提出了一种改进隐马尔可夫模型（HMM）的方法,即把遗传算法应用到Baum-Welch算法B值的优化当中,解决了Baum-Welch算法容易陷入局部最优解的缺点,得到了全局最优解,提高了语音识别系统的识别率。     

小波变换在噪声环境下语音识别中的应用

本文讨论了运用小波变换实现语音增强的原理，提出了相应的去除噪声的方法。实验表明，本文方法能有效地提高噪声背景下语音识别系统的性能。     

使用离散小波变换压缩语音模板

小波变换作为一种新型的信号处理方法,因其可以对信号进行多分辨率分析并有高效算法,所以在DSP上得到了广泛应用。利用语音信号的相关性,可以使用小波变换来压缩语音模板。实践表明,引入小波变换后,在基本保持系统识别率的前提下,节省模板存储空间,从而达到在相同空间下保存更多词条的目的。     

连续汉语音识别有双词文法约束的大型HMM

提出针对汉语连续语音识别中的大型ＨＭＭ进行修正。在模型中加入双词法约束,然后给出洁约束下的新的识别算法,新识别算法基于Ｖｉｔｅｒｂｉ算法和分层构筑思想之上。经实验测试,识别率有较大提高。     

基于Teager能量算子和小波变换的语音识别特征参数

基于Teager能量算子在抑制噪声和小波变换时多分辨特性,用Teager能量算子结合二进小波变换得到一种新的语音识别系统中的前端输出特征参数.该参数的一部分来源于Teager能量算子与传统的倒谱分析相结合产生的参数TEOCEP;另一部分基于小波而得到的小波能量矢量参数DWE,最后提出了TEOCEP-DWE特征参数.对新的语音特征参数进行实验分析表明,本算法能提高语音识别的性能.     

一种分层阈值优化的语音感知小波去噪方法

通过分析含噪语音信号的特点,引入能够兼顾人耳听觉特性的听觉感知小波变换,构造了新的小波阈值函数,并对小波变换分解后的阈值进行基于微粒群算法的分层优化.仿真实验表明,该方法在不同信噪比条件下均具有较好的去噪性能,语音的可懂度和听觉效果得到有效提高.     

基于小波变换的眉毛识别方法

提出了一种基于小波变换的眉毛识别方法.该方法利用小波变换进行眉毛特征提取,选取奇偶行三层小波变换的高频、水平分量、垂直分量和整体二层小波变换的低频部分作为特征,利用最近邻法则进行识别.实验结果对比表明,该方法简单且识别率较高.     

一种改进的基于小波偏微分方程的图像去噪方法

提出一种基于小波分解和四阶偏微分方程相结合的方法用于图像去噪,利用小波良好的时频局域化特性和偏微分方程能够很好地保留图像的边缘和细节的特点对图像噪声进行消除.传统的二阶线性扩散方程计算效率低,易产生阶梯效应,这里采用一种用拉氏锐化算子替代拉普拉斯算子的四阶偏微分方程模型.实验结果表明,本方法是一种高效的去除噪声并能很好地保持图像边缘的算法.     

基于小波变换的图像混合去噪算法

提出基于小波变换与中值滤波相结合的方法,实现了图像去噪。该方法在去噪之前,先通过小波边缘检测确定图像边缘特征的小波系数,保留这些位置的小波系数,其不受阈值去噪影响,对其它位置的小波系数进行自适应阈值去噪,去除高斯噪声。然后对图像进行中值滤波,去除椒盐噪声。该算法的实验结果表明,不仅能滤出图像中高斯噪声和椒盐噪声的混合噪声,而且能较好地保留图像的边缘细节,其滤波效果优于传统的图像去噪方法。     

基于小波变换的零树编码改进算法

在讨论小波变换及EZW算法的基础上,分析了EZW算法的不足.通过对低频子带单独编码、在高频子带进行边缘检测、分类编码等措施的研究,提出了一种基于EZW算法的改进算法.实验结果表明:从峰值信噪比及编/解码时间对照,该算法优于EZW算法.     

基于小波变换的工况区域识别

针对生产过程的特点 ,对过程工况区域识别问题进行了描述 ,在分析小波变换的基础上 ,研究了利用小波变换的多尺度分析特性 ,提取生产过程检测信号的多尺度定性变化特征 ,并分析和证明了提取的工况区域特征具有描述工况区域的稳定性和完备性。在此基础上 ,结合模式归纳分类算法 ,提出了一种基于小波变换的工况区域识别方法。应用实例研究 ,证实了所提方法的可行性和有效性     

基于离散隐马尔科夫模型的语音识别技术

概述语音识别技术的基本原理,对当前三种主要识别技术--动态时间规整技术、隐含马尔科夫模型技术及人工神经网络技术进行比较,重点介绍基于离散隐马尔科夫模型(DHMM)的语音识别系统的实现.