基于经验模态分解特征拼接的重放语音检测研究

现有的重放语音检测方法的性能不够理想,缺乏对未知攻击检测的泛化能力。为此,提出一种方法,首先使用经验模态分解将语音信号分解为不同频段的内涵模态函数(Intrinsic Mode Function,IMF)分量,其次对多个分量分别提取梅尔频率倒谱系数(Mel Frequency Cepstrum Coefficient,MFCC)特征,并将所得的多个二维IMF-MFCC特征在分量的维度上拼接起来得到三维IMF-MFCC特征,最后为提取三维特征分量维度上蕴含的重放痕迹设计了一种3D-ResNet网络。实验结果表明,所提的模型在面对未知重放攻击检测时泛化能力更强。与ASVspoof2019挑战赛的重放语音检测基线系统相比,所提模型以EER和t-DCF衡量的性能分别提升了55.01%和54.72%。     

基于信号规整和稀疏变换的语音与音频分层编码方法

基于语音和音频信号的固有周期性特征,本文构建了一种适合语音和音频信号的统一分析/合成模型,并分别在24kbps和32kbps码率下,实现了对宽带语音和音频信号的高质量分层编码.首先,本文将具有时变周期的输入信号规整为具有固定周期的信号,并对规整后的周期信号构建规整矩阵;其次,对规整矩阵的行和列分别进行调制叠接变换(MLT)和离散余弦变换(DCT),完成规整矩阵的稀疏化;最后,利用分带量化和矢量哈夫曼编码完成稀疏矩阵元素的量化和编码.主客观测试结果表明,本文所提方法的语音、音频及其混合信号的编码质量均优于同等速率下的ITU-T G.722.1和AMR-WB编码器.     

基于经验模态分解的模态域MVDR方法研究

 矢量阵MVDR波束形成可有效地实现信号的空间谱估计,但它仅适用于窄带信号,当各目标强度相差较大时,难以实现对弱目标的有效检测.经验模态分解具有突出信号局瞬特征的特点,可将多分量信号分解成多阶固有模态函数.结合固有模态函数特性和MVDR窄带信号要求,提出了矢量阵模态域MVDR波束形成算法,并将中心频率的概念应用于固有模态函数,以此作为模态域MVDR波束形成算法的中心频率.海试结果表明:本方法可增强弱目标所在方位空间谱的能量,有效地实现强干扰下弱目标的检测.     

一种改进的MELP语音编码方法

目前2.4kbps的混合激励线性预测（MELP）语音编码方法已经被确定为美国新的联邦语音编码标准。本文提出了一种改进的MELP语音编码方法，利用滤波器相似度和基于LPC系数分类的矢量量化技术，可以把MELP的码率降到1.7kbps以下，仍有较好的合成语音质量。     

基于Teager能量算子和经验模态分解的语音端点检测算法

Teager能量算子是近年来提出的非线性方法,具有跟踪时变信号的特点,该文结合该算子和经验模态分解方法,提出一种新的语音端点检测算法,用于寻找合理的语音起始和终止端点。该算法利用经验模态分解,提出本征模态函数的有效性筛选条件,通过筛选本征模态函数,使得该算法能够处理含噪语音信号,同时分解所得单模态特性正好满足TEO算子对单成份能量跟踪的要求,最后利用Hilbert变换解决了可能存在的模态混叠问题。经过这些处理,算法能够处理语音信号中清音段的端点标识,比直接TEO、双门限法效果好。通过大量实验验证了该算法的有效性。     

基于整体经验模态分解的信噪比估计方法

为了提高未知样式信号的信噪比估计性能,提出一种基于噪声辅助的信噪比估计新算法,通过固有模态函数（IMF）分量平均周期的变化判断信号与噪声界限,给出了基于噪声辅助估计法的工作原理和流程图,分析了基于噪声辅助估计法的性能。仿真结果表明,基于噪声辅助估计法能够实现盲信号信噪比估计,在0 dB信噪比下均方误差不超过0.2 dB。     

语音特征波形的分解与量化

波形内插语音编码模型作为当今最具潜力的低速率语音编码方案之一,因其良好的性能,越来越受到人们的重视。基于波形内插(WI)语音编码算法,全面总结和分析了现存的特征波形分解和量化的方法,这将为该领域的研究人员提供重要的参考。     

一种符合ITU-T指标要求的嵌入式立体声语音频编码方法

 基于国际电信联盟标准化组织(ITU-T)编码标准G.729.1,本文提出了一种嵌入式变速率立体声语音与音频编码方法.本算法利用G.729.1和改进的调制叠接变换(Modulated Lapped Transform,MLT)编码技术对输入信号的中值与边带信息进行分层编码,形成具有嵌入式结构的码流.编码器可处理宽带和超宽带的立体声信号,宽带立体声信号编码的最大码率为48kb/s,超宽带立体声信号编码的最大速率为64kb/s.实现结果表明,本编码器的编码质量均达到了ITU-T对G.EV-VBR立体声编码的指标要求.     

添加自适应高频谐波的改进经验模态分解算法

提出了一种改进的添加自适应高频谐波进行经验模态分解(EMD)的算法,减少了EMD原始算法中频谱混叠现象。通过对原始信号的预处理,自动提取出原始信号中包含的最高频率分量,并根据提取出的频率分量进行高频谐波添加。仿真验证了添加自适应高频谐波的EMD算法,可有效减少EMD算法中频谱混叠现象,同时解决了高频谐波添加中频率难以确定的问题。     

一种基于Chirp原子分解的语音增强方法

由于语音信号在时频面上具有局部连续结构，文章提出了一种基于Chirp时频原子分解的语音增强方法．该方法将含噪的语音信号使用匹配追踪算法分解成Chirp原子的组合，根据语音和噪声所对应的Chirp原子在参数上的不同，从中分离出属于语音的Chirp原子来重构语音信号，从而达到去除增强语音的目的。仿真实验结果表明．经该法处理后的语音信号的信噪比有较大的提高，主观试昕效果也较好。