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。     

基于DSP的嵌入式AMBE算法设计及实现

针对AMBE系列芯片无法实现数据全双工读写模式的弊端,提出了基于DSP的嵌入式AMBE算法实现的硬件平台。该平台以芯片TMS320VC6713和AIC23为主要器件。实验表明,该语音算法在TMS320VC6713上得到了很好的实时实现。     

基于小波分析的语音端点检测方法研究

为了提高语音信号端点检测的准确率,提出了基于小波分析的端点检测方法。该方法在传统基于能量和过零率的端点检测方法基础上,通过小波分析计算语音信号各子带能量,进而求得其方差作为第三道门限,对信号进行三级门限检测。仿真实验表明,该方法比传统方法更有效、更优越,能够比较准确的检测语音信号。     

用于语音识别的基于频谱调整的信道自适应方法

语音识别系统在实际应用时,其性能会因各种因素而下降,其中重要的一个因素是信道的不匹配。该文提出了一种新的信道自适应方法——频谱调整法。该方法在频域上定义一个分段线性信道归一化函数,根据最大似然准则利用梯度投影法求其最优参数后,对语音的幅度频谱进行归一化。实验表明,该方法可以利用很少的自适应数据使识别的字错误率下降10%左右。     

快速口音自适应的动态说话人选择性训练

为解决语音识别系统实用中的说话人口音快速自适应问题,提出了一种动态说话人选择性训练方法。基于说话人选择性训练方法,采用基于Gauss混合模型似然分数计算的置信测度选择训练用说话人,改变训练用说话人的绝对数目选取方式,提高了选取的效能并拓展了选取标准的推广性。根据各个训练用说话人同被适应说话人的不同似然程度,加权地合成动态说话人选择性训练的语音模型,提高了自适应训练的效果。实验表明:该方法使识别率从80.16%提高到84.12%,相对误识率降低了19.96%,在实用中提高了基线系统的识别性能。     

数字话机记录方案设计

针对当前CTI领域数字话机记录的难点,提出一种直接记录数字话机数据的方案．截取并解码数字电话线上传输的2B＋D通道数据,由B通道得到双向话音数据流,由D通道捕获CallerID,DNIS,自动号码识别、中继号码、坐席按键等信息．采用简洁高效的语音压缩与识别处理机制,让数字话机记录方案比起其它记录系统更县优势．该方案已在国内某机场指挥调度中心获得成功应用．     

基于优化肌电特征的无声语音信号识别

提出了一种基于遗传算法(GA)和fisher投影的最佳可鉴别基的求解方法.将原始特征向量向着最佳可鉴别基投影可得到具有最佳可分性的新的特征向量.从颧肌和二腹肌前腹的皮肤表面检测无声发出6个汉语元音的表面肌电信号(SEMG),以该肌电信号的AR模型系数、倒谱系数和美尔倒谱系数作为原始特征向量.使用遗传算法找出了原始特征的次优组合,并组成新的特征向量.将GA找出的次优特征向量向着fisher最佳可鉴别基投影可得到最佳鉴别特征向量.最后用改进的BP神经网络作为分类器得到了较好的识别效果.     

基于自适应门限的分形维数语音端点检测

针对固定门限方法在语音端点检测技术中的局限性,为了提高低信噪比下语音端点检测的鲁棒性和准确率,将自适应门限应用于分形维数的语音检测中,提出了一种新的语音端点检测算法.该算法通过对语音信号产生机制的分析,将分形维数用于语音起止点的检测中,设计了自适应门限,从而有效降低了噪声干扰对检测结果的影响,并实现了实时检测.仿真实验结果表明,在低信噪比的情况下,改进的端点检测算法比传统的短时能量检测算法可更准确有效地实现带噪语音的端点检测,而且对噪声干扰具有更好的鲁棒性.     

基于规则的依存树库错误自动检测与分析

尝试将依存树转化为短语结构树, 并基于规则的方法自动检测出人工标注结果中的错误。将该方法应用于已经过两遍人工校对的北京大学多视图依存树库, 从50275个句法树中发现1529处错误, 正确率为100%。进一步, 所有错误可以分为3个层次: 分词错误、词性与句法角色不符、句法角色错标。该方法可以有效提高依存树库的质量, 并且适用于各类型的依存树库。     

一种基于规则的无监督词性标注方法

提出一种基于规则的无监督词性标注方法, 利用200多条英语语法规则, 创建26个规则函数, 先将输入的待标注英语句子进行预处理后得到初始标记, 再对每个单词调用规则函数, 最终得到标注后的英语句子. 通过对Brown语料库的实验, 词性标注的正确率达到9395%. 实验结果表明, 本文方法可行、 有效, 能很好地提高英语词性标注的准确率.