基于Mel频率倒谱参数相似度的语音端点检测算法

为提高噪声环境下语音端点检测的精确性,提出了一种基于Mel频率倒谱参数(MF-CC)相似度的端点检测方法。提取了每帧语音信号的Mel频率倒谱参数,然后将前十帧作为背景噪声,计算测试帧和背景噪声的MFCC相关系数距离,最后用得到的MFCC相似度距离曲线进行端点检测。实验结果表明,该方法在白噪声和粉噪声环境下均可得到理想的端点检测效果,并且在低信噪比时仍然有效。     

基于补充改进集合经验模态分析法-多尺度排列熵分析桥梁振动信号优化滤波方法

针对桥梁振动信号高度非平稳特征和含噪声成分严重的问题,提出了一种应用于桥梁健康监测领域的信号自适应分解与重构的优化滤波方法。该方法以自适应加噪的完备集合经验模态分解(CEEMDAN)为核心算法,将原始振动信号逐级分解为多个不同特征时间尺度相对平稳的固有模态函数(IMF),采用端点对称延拓法抑制端点效应,引入多尺度排列熵(MPE)分析各IMF在不同尺度上的熵均值,检索随机程度较大的IMF分量,将含噪严重与由于加噪分解产生的伪分量剔除完成一次滤波,为了择优选取剩余IMF进行信号重构保证滤波具有较好的相似度与光滑度,建立了优化重构模型完成两次滤波。研究表明:本文方法在自适应分解阶段较常用的集合经验模态分解(EEMD)、补充集合经验模态分解(CEEMD)方法具有更好的完备性、正交性与计算效率,在一定程度上抑制了模态混叠现象,端点效应问题有所改善,并对IMF进行优化重构,经分析最终的滤波信号具有较高的信噪比,通过对真实桥梁振动信号分析再一次验证了本文方法的优势,该方法的滤波结果可以作为实现桥梁健康监测技术的可靠依据。     

噪声背景下语音识别特征参数选择研究

为提高语音识别系统的实用性与实时性,该文采用缺失特征分量的方法研究了美尔频率倒谱系数静态特征及其一阶差分各分量对识别率的影响.在不同信噪比情况下,分别对含白噪声、粉红噪声、车载噪声和工厂噪声这四种典型噪声的语音进行了实验研究,结果表明:在保证系统有较高识别率的情况下,在低信噪比时,含白噪声的语音信号缺失美尔频率倒谱系数...     

基于小波改良动态Mel倒谱声纹识别算法研究

在传统Mel倒谱系数提取过程的基础上,结合离散小波变换,提出了改良动态Mel倒谱系数及基于小波改良的Mel倒谱系数,给出了相应的算法。不同语音长度和信噪比实验表明,该算法使得系统识别率和鲁棒性得到了提高。     

基于BP网络的孤立数字识别

通过Mel频率倒谱系数的方法对语音信号波形进行处理,采用BP网络作为分类器,实现了孤立数字的语音识别系统,在matlab环境下对算法进行仿真。实验表明,这种方法具有计算简单,识别精度高的特点。     

基于谱熵梅尔积的语音端点检测方法

为了克服传统语音端点检测算法在低信噪比环境下准确率低的问题,提出一种基于谱熵梅尔积（MFPH）的语音端点检测算法.首先,提取带噪语音信号的梅尔频率倒谱系数中的第一维参数MFCC₀,将其与谱熵的乘积作为最终区分语音段和背景噪声段的融合特征参数;然后,结合模糊C均值聚类算法和贝叶斯信息准则（BIC）算法对MFPH特征参数门限值进行自适应估计;最后,采用双门限法进行语音端点检测.实验结果证明,与传统方法比较,该方法在-5~15 dB低信噪比环境下的语音端点检测准确率有较大提高.     

基于极值域均值模式分解最大相似度的语音增强方法

提出一种基于极值域均值模式分解最大相似度的低信噪比语音增强算法,解决部分噪声环境下低信噪比语音信号增强问题。该算法核心思想是：对分解后得到的固有模态分量进行筛选后再做滤波处理,以此减少过滤波和欠滤波情况的发生。在筛选过程中,提出一种最大相似度判断算法,通过检测得到的噪声信号与固有模态分量计算最大相似度,通过最大相似度筛选出固有模态分量进行滤波,由于噪声与语音信号容易发生频谱混叠,在滤波器的选择上采用时域滤波器。将滤波后的固有模态分量和未作处理的固有模态分量进行信号重构,得到增强后结果。     

基于经验模态分解的电能质量信号消噪新方法

基于EMD理论,采用一种电能质量信号消噪的新方法,即首先对电能质量信号进行EMD分解,得到一系列的IMF分量和一个剩余分量,根据噪声和信号在不同尺度的IMF分量上的表现特性,分别将其进行阈值处理,再将消噪后的IMF分量重构,从而得到消噪后的电能质量信号.仿真结果表明,该方法的消噪效果较好.     

基于集合经验模态分解法的局部放电信号去噪

针对局部放电检测中存在较多白噪声干扰的问题,采用基于集合经验模态分解的方法对放电信号进行消噪处理。该方法首先利用集合经验模态分解(EEMD)把信号分解成多个经验模态函数分量(IMFs),然后利用3σ法则对各分量进行细节信息提取和能量估计,最后对IMF分量进行PCA变换,并根据IMF所含噪声能量选择主成分分量进行重构。EEMD建立在经验模态分解(EMD)基础之上,通过人为添加白噪声成分,并利用多次重复取均值的方式去除白噪声,同时抑制模态混叠现象。仿真数据分析表明,所提消噪方法可以有效抑制局部放电噪声干扰,成功提取出有效的局部放电信号。     

基于时序结构的听觉感知语音信号端点特征检测

针对传统方法在高信噪比情况下检测性能较好、但在低信噪比情况下性能很差的问题,提出一种新的基于时序结构的听觉感知语音信号端点特征检测方法。利用有限长窗时间序列结构对听觉感知语音信号进行采集,实现时序分析,得到听觉感知语音信息的一般形式,在此基础上,获取时序结构下听觉感知语音信号的短时能量特征。对含噪声的听觉感知语音信号进行离散小波变换处理,获取含噪声的小波系数,通过阈值对小波系数进行处理,将未超过阈值的小波系数看作噪声,通过高于阈值的小波系数对听觉感知语音信号进行重构,完成语音信号去噪处理。利用双门限-三态转换判断体系实现听觉感知语音信号端点特征检测。实验结果表明,本文方法在低信噪比状态下仍可保证高检测精度。     

基于经验模式分解的语音端点识别方法

提出一种基于经验模式分解（EMD）的语言端点识别方法.该方法对带噪语音信号进行EMD分解得到一组固有模态函数（IMF）,采用短时过零率估计其平均瞬时频率.根据语言信号特定阶IMF平均瞬时频率的特征,将平均瞬时频率低且变化缓慢的语言帧作为周期性强的浊音段,而平均瞬时频率高的语言帧判别为清音段,组合处理后的结果最终得到语音段数据.数值仿真和实验结果表明,该方法在语音信号受噪声污染比较严重的情况下能够有效识别语音端点.     

基于DTW 和EMD的孤立词语音识别研究

针对语音识别过程中环境噪声干扰大的问题,提出一种基于经验模态分解(EMD)与动态时间规整 (DTW)相结合的孤立词识别算法。该方法利用EMD 算法,首先将提取的性能不好的语音信号分解成若干个基本模函数(IMF),去掉原始信号中的干扰和噪声。然后,基于DTW 算法,采用短时过零率和短时能量对语音信号进行端点检测,提取语音特征参数后与参考模板进行匹配。将参考模板与待测模板之间的最短路径作为识别结果。仿真结果表明,该算法能够提高语音的识别效率和识别的正确率。     

基于极值域均值模式分解和独立分量分析的语音增强方法

提出一种基于极值域均值模式分解与独立分量分析相结合的低信噪比语音增强算法,解决更多噪声环境下低信噪比语音信号增强问题.该算法的核心思想是:利用独立分量分析的特点,分离出选取的固有模态分量的固有特性,消除信息混淆.通过最大相似度,筛选出需要处理的固有模态分量,对其进行独立分量分析,使噪声特性能够进一步集中,提高最大相似度,这样更有利于噪声的滤除.由于独立分量分析存在幅值、位置的不确定性,所以对滤波后的独立分量要进行二度重构,即独立分量分析重构和极值域均值模式分解重构,得到增强后结果.     

基于机器学习的膝关节损伤检测方法

文章提出了一种基于机器学习的膝关节损伤检测方法。该方法利用加速度计采集的膝关节摆动信号,首先通过小波变换降低信号中的噪声能量,从而提高信噪比。接着,利用小波包分解提取小波能量,并通过梅林滤波器组计算信号的梅林倒谱系数。随后,将小波能量与梅林倒谱系数融合,形成融合特征,并通过主成分分析去除冗余信息。最后,采用最小二乘支持向量机、径向基神经网络和贝叶斯网络对健康和受损的膝关节摆动信号进行分类。实验结果表明,与现有方法相比,该方法在膝关节损伤检测方面具有更高的准确率。     

基于CEEMDAN-TQWT方法的变压器局部放电信号降噪

针对传统方法处理局部放电信号时存在振荡明显、消噪不彻底等问题,采用基于自适应白噪声完备集成经验模态分解（complete ensemble empirical model decomposition with adaptive noise,CEEMDAN）与可调品质因子小波变换（tunableQ-factorwavelettransform,TQWT）相结合的方法对局部放电信号进行消噪处理。采用CEEMDAN将含噪变压器局部放电信号分解成多个固有模态函数（intrinsic mode function,IMF）分量,并利用相关系数判断IMF分量与原始信号的相关度。将弱相关者视为劣质IMF,对其进行TQWT分解,利用能量占比与峭度指标来筛选小波子带,提取IMF的有效细节信息,进行TQWT逆变换,从而得到新的IMF分量;将强相关者视为优质IMF,与变换后的新IMF分量共同进行信号重构,得到消噪结果。仿真及实测信号分析验证了该方法的有效性和实用性,相比传统的经验模态分解（empirical mode decomposition,EMD）方法,仿真信号经所提方法去噪后的波形失真百分比下降了44...     

经验模态分解在电力绝缘气体SF6红外光谱去噪中的应用

经验模态分解(EMD)是以信号极值特征尺度为度量的时空滤波器,它充分保留了信号本身的非线性和非平稳特征,在信号去噪中具有较大的优势。本文以电力绝缘气体SF6为研究对象,在介绍E MD分解方法的基础上,首先对含噪的SF6光谱信号做EMD分解,得到各阶本征模态函数(IMF),然后对高频的IMF分量用阈值法进行处理,把经过阈值处理后的高频I MF分量与低频IMF分量叠加重构得到去噪后的信号。分析了在不同噪声水平上与小波阈值去噪方法的处理效果。实验结果表明EMD阈值去噪法有效地去除了噪声,较好地保留了光谱的细节信息,与小波阈值去噪方法相比较具有自适应的优势。     

基于CEEMDAN-改进小波阈值的水工结构振动信号联合降噪方法

针对水工结构在泄流激励作用下动力响应信号被噪声淹没的实际问题,提出一种基于自适应噪声的完整集成经验模态分解(CEEMDAN)和改进小波阈值函数联合降噪的方法。对水工结构振动信号先进行CEEMDAN分解,将信号分解成一系列固有模态(IMF)分量,运用自相关函数和互相关系数剔除无效IMF分量,实现振动信号的初次降噪;再利用改进小波阈值函数对含有主要振动信息的IMF分量进行降噪处理,实现含噪信号的二次降噪;最后,将包含主要结构振动信息的IMF分量和残量进行信号重构,得到降噪后的振动信号。通过数值仿真分析,发现CEEMDAN-改进小波阈值联合降噪后信号(10%噪声水平)的信噪比从20.21提升到23.54,均方根误差从0.19降低到0.09,验证了联合降噪具有更高的信噪比和更低的均方根误差,更为接近纯净信号。结合国内某水电站导墙实测数据,运用该方法进行降噪分析,结果表明该方法具有较好的降噪性能和应用前景,可为水工结构流激振动安全诊断提供有效依据。     

旋转机械振动信号的固有模式函数降噪方法

针对旋转机械非平稳振动信号中局部低能量噪声的消除问题,提出一种基于固有模式函数(IMF)的振动信号降噪方法.该方法在信号经验模式分解(EMD)的基础上,通过对一阶IMF进行L次随机排序操作,构造观测信号的L个样本序列.根据白噪声各阶IMF的能量密度,计算L个样本序列各自分解所得IMF的阈值.通过样本幅值与阈值的比较,将IMF中过零点区间内极值小于阈值的所有样本点去除,并利用这些阈值去噪后的IMF重构信号.仿真和实验结果表明,本方法对各阶IMF中局部低能量噪声的消除是有效的,且降噪后信号的时频特征显著.     

VMD与PSO的乐器声音识别

针对乐器音频信号的识别率低的问题,提出了一种变分模态分解(VMD)和被粒子群算法(PSO)优化的支持向量机(SVM)的乐器音频信号识别的方法。采用VMD将乐器音频信号分解成一系列平稳的窄带分量(IMF),并根据相关系数重构信号,采用小波去除残余的噪声。最后,在分析传统的声音特征提取方法基础上,提取梅尔频率倒谱系数(MFCC),用经PSO寻优参数的SVM进行音频信号的分类。实验结果表明,本文算法的去噪效果明显优于经验模态分解(EMD)和集合经验模态分解(EEMD)的分析结果;PSO优化后的SVM有效的提高了噪声环境下音频信号分类的正确率。     

一种基于频域特征和过渡段判决的端点检测算法

为了提高语音端点检测的准确性,增强端点检测算法在噪声环境下的鲁棒性,提出两种新的端点检测参数。其中,基于临界频带的谱熵参数综合考虑了人耳对语音的感知特性以及语音信号和噪声信号的频域分布差异,差值频域能量参数考虑了语音帧和无声帧在频域上的能量差异。结合两种参数的优点,构成一种鲁棒的端点检测参数,同时,为了避免因阀值判决的单一性而产生误判,在端点检测过程中加入了基于特征分布统计的过渡段判决。试验结果表明,本研究提出的语音端点检测算法对语音帧和无声帧具有较好的区分性,在不同噪声且信噪比较低情况下,端点检测准确率相比传统抗噪端点检测算法均有所提升,特别是在非平稳噪声下,准确率提升超过5%。