基于互相关函数的孤立词端点检测算法

提出了基于互相关函数的检测元音的端点检测算法。在语音识别系统中产生错误识别的原因之一是端点检测有误差,在高信噪比情况下,准确地确定语音的端点并不困难,然而在低信噪比情况下,一些常规的端点检测方法,例如基于能量的端点检测方法就不能有效地工作。本文利用互相关函数检测元音的端点,然后根据元音和辅音的能量比一般相对稳定的特点确定出实际语音端点。实验结果表明,本方法可以在不同信噪比下提高端点检测的准确率。     

短时TEO能量在带噪语音端点检测中的应用

语音端点检测是语音识别系统的一个重要组成部分,特别是在噪声环境下,其准确性直接影响到语音识别系统的计算复杂度和识别性能。提出了一种在噪声环境下基于短时TEO能量的语音信号端点检测方法,采用了双门限-三态转换判决机制以保证算法在噪声环境下的端点检测准确性和对信号绝对幅度变化的稳健性。实验结果表明,与传统的短时能量法和谱熵法相比,该算法在低信噪比情况下具有更好的端点检测能力,显示了算法的优越性。     

一种简单的噪声鲁棒性语音端点检测方法

语音端点检测是语音识别系统非常重要的组成部分,一种理想的语音端点检测方法,在噪声环境中要具有较强的鲁棒性.为了提高检测方法在噪声环境中的鲁棒性,在短时能量的基础上,结合谱平度和幅度谱的主频率特征,分别进行判决,再采用投票决策机制确定端点检测结果,提出了一种比较理想的语音端点检测方法.实验结果表明,与传统的短时能量法和短时TEO能量法相比,该算法在各种加性噪声下具有良好的鲁棒性,在较低信噪比下仍能准确地区分有用信号和噪声,验证了该算法的有效性.     

基于谐波分析的频带方差端点检测方法

语音端点检测的准确性直接影响着语音识别系统性能.在低信噪比环境下,一些在高信噪比环境下具有良好性能的检测方法无法有效工作.提出了基于谐波分析的频带方差和能量门限结合的端点检测方法.方法基于语谱图的分析,突出了语音信号和噪声信号的区别,在低信噪比环境下能准确检测出语音端点.并保障了实时性.试验证明,方法在较低信噪比环境下比频带方差检测方法的性能有较大提高,具有较好的实用性.     

语音信号端点检测的实验研究

端点检测是语音识别中的一项关键技术，端点检测的准确性对语音识别的性能有很大影响，特别是对端点检测比较敏感的语音识别算法。本文通过实验证明采用LPCMFCC的带噪声端点检测改进方法在白噪声低信噪比下性能明显优于基于能量和常规倒谱距离的检测方法。它消除了噪声的影响，具有很好的鲁棒性，且具有较强的实际应用价值。     

一种基于自适应谱熵的端点检测改进方法

在低信噪比的环境下,为增强与噪声的区分度,提出了一种适应于低信噪比环境的语音端点检测方法.通过改进语音端点检测的特征参数,更好地区分语音信号与噪声信号,提高在低信噪比环境下的端点检测正确率.基于子带谱熵,引入正值常量对基本谱熵参数进行算法改进,得到改良的负谱熵特征,并结合自适应子带选择方法,得到一种新颖的特征参数--自适应子带常量负谱熵.特征在低信噪比的情况下有较强的抗噪能力,并能够准确地检测出语音端点.实验结果表明,不仅快速有效,具有较强的鲁棒性,而且适合低信噪比的语音端点检测.     

带噪语音端点检测方法研究

影响语音识别性能的一个关键因素是端点检测的准确性。实际应用中信噪比较低，使得某些高信噪比下性能好的检测算法不能有效工作，影响系统的识别率。提出了一种基于时频方差和的语音端点检测算法。实验证明该算法能够在低信噪比的情况下，准确地检测出语音信号。通过对三种不同的端点检测算法的比较，发现基于时频方差和的端点检测算法的端点检测的准确率较高。     

基于语音增强的双门限语音端点检测算法

语音端点检测是语音信号处理过程中的一个重要步骤,其准确性对语音信号处理有直接影响.传统的双门限语音端点检测技术,在纯净语音或高信噪比的情况下,语音端点判断准确,但低信噪比的情况下,端点识别率很低,出错率较高.为了提高低信噪比条件下语音端点检测的识别率,在传统双门限语音端点检测的基础上融合了语音增强,通过Matlab仿真实验,取得了较高的语音端点检测准确率.     

一种新的基于信息熵的带噪语音端点检测方法

在自动语音识别和变速率语音编码技术中,语音端点检测是前端处理的一个重要环节.而在实际的噪声环境下,一些传统的端点检测方法已不适用.该文提出了一种新的基于信息熵的语音端点检测方法,该方法通过对语音信号的短时功率谱进行谱分析,由此构造熵函数作为端点检测的特征参数.实验结果表明,该方法在噪声环境下性能优于传统的基于能量的端点检测方法.而且相对于基于频谱谱熵的算法,在低信噪比（SNR〈0dB）情况下,该文方法有更好的鲁棒性,可使平均检测精确度进一步提高约5%.     

基于频谱方差的抗噪声语音端点检测算法

在语音识别系统中,对识别的准确性有很重要的作用.对于纯净语音信号,传统的端点检测算法能够很好地检测语音部分的起止点.由于在有噪声干扰的情况下,算法的检测准确度往往会急剧下降.为了改善噪声环境下的端点检测效果,从语音信号和噪声信号频域分布特性的差异出发,用频谱方差数值来区分语音和噪声,提出了基于频谱方差的端点检测算法,并进行了无噪声和噪声环境下的仿真,证明了这种算法在强噪声干扰的情况下也能够取得很好的效果.同时将新算法和传统的基于LPCC的端点检测算法进行了对比试验,实验结果表明,在噪声环境下,新算法的检测精度有明显提高.     

一种改进的基于倒谱特征的带噪端点检测方法

影响语音识别性能的一个关键因素是端点检测的准确性。实际应用中的信噪比较低，使得某些高信噪比下性能好的检测算法不能有效地工作，影响系统的识别率。该文针对基于倒谱特征的带噪端点检测算法提出了3点改进：(1)将语音信号经滤波后分成高低频两子带，分别进行分析；(2)用LPC美尔倒谱特征LPCCMCC代替常规倒谱特征作为特征参数；(3)改进噪声估计，使其具有自适应性。实验结果表明本方法在低信噪比下有较好的检测性能。     

嵌入式平台的复杂环境下端点检测

在嵌入式平台下的语音识别系统中,端点检测是非常重要的,语音起始点的位置直接影响识别率。然而在复杂环境下,语音的输入波形千差万别,端点检测的精确性很难保证。本文研究了一种基于零能积的区域概率统计法,通过训练得到语音零能积的概念分布,并结合一阶线性差分及谱减法进行端点检测。进一步提高了信噪比,解决了复杂环境下端点检测精确度低的问题。     

基于顺序统计滤波的实时语音端点检测算法

针对嵌入式语音识别系统,提出了一种高效的实时语音端点检测算法. 算法以子带频谱熵为语音/噪声的区分特征, 首先将每帧语音的频谱划分成若干个子带, 计算出每个子带的频谱熵, 然后把相继若干帧的子带频谱熵经过一组顺序统计滤波器获得每帧的频谱熵, 根据频谱熵的值对输入的语音进行分类. 实验结果表明, 该算法能够有效地区分语音和噪声, 可以显著地提高语音识别系统的性能. 在不同的噪声环境和信噪比条件下具有鲁棒性. 此外, 本文提出的算法计算代价小, 简单易实现, 适合实时嵌入式语音识别系统的应用.     

一种基于小波和时频分解的端点检测方法

提出了一种新的基于小波和时频分解的语音端点检测方法。首先通过小渡分解对舍噪信号进行增强，然后采用Matching pursuits算法对去噪信号进行时频分解．使得信号在时频平面上具有较明显的魏格纳能量分布．最后利用该特点设定合适的门限来进行语音端点检测。实验结果表明，该方法对低信噪比的语音端点检测仍有效。     

嵌入式语音识别的前后端处理关键技术研究

在语音识别技术的研究中,语音端点检测和拒识是语音前后端处理的关键技术。在噪声环境下,传统的过零率和短时能量的端点检测效果会变得很差;频域的端点检测方法虽然较时域的端点检测方法鲁棒性更高,但是它需要进行大量的计算不能很好地满足嵌入式系统。针对嵌入式系统的特点,为提高语音识别能力,提出了基于统计理论的孤立词的端点检测算法,在一个相对较长的时间段内语音信号服从正态分布,而噪音信号主要存在于信号均值的一定方差范围之内。方法既满足了嵌入式系统的计算要求,又有一定鲁棒性。     

基于排列组合熵的语音端点检测技术研究

语音端点检测对于后续语音识别分析有着重要的意义,论文研究基于排列组合熵的语音端点检测技术。分析排列数和窗长对检测性能的影响,对含不同噪声类型及不同信噪比的中英文语音样本进行了端点检测实验。尤其在低信噪比情形下,检测方法要优于谱熵特征检测方法。该方法具有较优的稳健性和实时性等特点,为强背景噪声下的语音端点检测提供了新的研究途径。