强背景噪声下基于HHT端点检测方法

端点检测是语音识别系统中十分关键的一个步骤,它对整个语音系统识别的准确性有着至关重要的作用。针对目前端点检测算法在强背景噪声下存在的不足,通过引入HHT,提出了一种基于希尔伯特-黄变换的端点检测方法。该方法首先采用EMD分解出有限个IMF,然后对IMF进行Hilbert变换,将得到的IMF能量谱作为特征参数来进行语音信号的端点检测,仿真实验证明了该算法在强背景噪声下的有效性与稳健性。     

基于EMD拟合特征的耳语音端点检测

耳语音作为人类发音的一种特殊形式,与正常语音相比具有信噪比低、元音的周期特征不明显等特性,因而耳语音处理比正常语音更为困难。耳语音处理研究的第1个关键步骤就是语音的端点检测,该文利用希尔伯特-黄变换(Hilbert-Huang Transform, HHT)中的经验模态分解(Empirical Mode Decomposition, EMD),首次提出了一种基于EMD拟合特征的耳语音端点检测新方法。利用EMD得到的内禀模态函数(Intrinsic Mode Function, IMF)能量,以其归一化拟合参数为耳语音端点检测的特征,可以准确地划分出耳语音端点。实验表明,该方法在耳语音端点检测中取得了很好的效果,在1200个信噪比为2～10dB的测试样本中,检测准确率为98.25%。     

基于EMD与功率谱熵的语音端点检测

为了提高低信噪比下语音端点检测的准确性,提出一种基于经验模态分解与功率谱熵的语音端点检测方法。对带噪语音信号进行经验模态分解获得一系列语音本征模函数,选取功率谱熵作为语音端点检测的特征,并计算特定阶本征模函数的功率谱熵实现语音的端点检测。通过EMD分解可以有效地消除白噪声的影响,仿真结果表明,在低噪比情况下结合经验模态分解和功率谱熵的方法能够有效实现语音端点检测。     

高脉冲噪声坏境中双门限法语音端点检测研究

语音端点检测是对有效语音段的识别关键技术,准确的端点检测使语音信号的后续处理计算量减少,有效地节约资源。现在多数语音端点检测技术例如能频值、谱熵、小波能量熵变换等都能准确检测出有效的语音段。文中介绍了一种双门限端点检测法,即利用短时平均过零率和短时平均能量法进行双门限检测,再设置一个最短时间门限,有效地在高脉冲噪声环境中准确识别汉语发音。通过与其他方法对比实验,文中双门限技术在短时高脉冲噪声环境下能有效提高语音识别率。仿真结果表明,端点检测正确率达93%。     

基于子带二次谱熵的语音端点检测

为了提高在强噪声环境下语音端点检测的准确度,提出基于子带二次谱熵的端点检测算法.该算法把子带二次谱熵作为端点检测新的特征参数,首先计算每帧语音信号的二次谱,再多子带分析,计算二次谱熵;引入顺序统计滤波对二次谱熵平滑处理;将有限状态机判别方法与子带二次谱熵相合,形成新的语音/噪声判别算法,有效地解决单门限法易出现的两类误判.实验表明:与传统的两种方法相比,提出的端点检测算法具有准确性高、抗噪性强等优点.     

低信噪比下多参数融合的自适应语音端点检测

传统语音端点检测方法利用语音和噪声在某单一参数特征上的差异进行信号中语音起止点的切分,但不同参数在低信噪比不同噪声环境下表现不稳定,鲁棒性差。因此,本文提出了基于均匀子带谱方差,能熵比,梅尔倒谱距离,似然比四种参数相融合的语音端点检测方法。该方法能自适应地改变各参数阈值,并通过实时监测噪声段能熵比的值确定所采用的投票判决机制,从而进行语音端点判定。实验结果表明,该方法在低信噪比下较常用的端点检测方法有更高的检测正确率及鲁棒性,对语音信号后续处理工作有一定的借鉴意义。      

基于信号递归度分析的语音端点检测方法

针对低信噪比、非平稳噪声环境下的语音端点检测,提出了一种基于语音/噪声的信源系统动力学特性差异,通过分析信号递归度变化,设定双门限判定语音端点的方法。和传统的能量法、倒谱距离测度法比较,准确率较高。为语音特征提取和识别研究提供了新的途径。     

低信噪比下的语音端点检测算法研究

为了解决传统方法在强噪声环境下,语音检测性能急剧下降的缺陷,提高信号在低信噪比(0 db以下)语音端点检测的准确性,本文提出了一种将多窗谱估计谱减法和自适应子带能熵比相结合的检测算法.该算法利用增益因子可变的多窗谱估计谱减法对低信噪比信号进行降噪,提高其信号的信噪比,再将每帧信号分为若干个子带(其数量可自适应选择),提取每个子带能熵比参数进行端点检测.实验结果表明,当信噪比为-10 db时,信号检测准确性维持在95％左右.该方法能在低信噪比情况下,显著提高端点检测准确性和可靠性.     

基于改进经验小波变换的时频分析方法及其在滚动轴承故障诊断中的应用

经验小波变换是最近提出的非平稳信号分析方法,针对其不足,提出了一种改进的经验小波变换方法;同时结合瞬时频率新定义,提出了一种非平稳信号时频分析新方法.该方法首先通过改进的经验小波变换将一个复杂的非平稳信号自适应地分解为若干个具有紧支集频谱的内禀模态函数之和;再通过对每个内禀模态函数进行解调,得到原始信号的时频分布.将提出的方法应用于滚动轴承试验数据分析,并将其与希尔伯特黄变换进行了对比,结果表明,论文提出的方法能够有效地诊断滚动轴承故障,且诊断效果优于希尔伯特黄变换方法.     

基于MEFF倒谱距离与对数能量融合的语音端点检测方法

为提高低信噪比环境下语音端点检测算法性能不高的问题,提出将MFCC倒谱距离与对数能量结合进行端点检测.首先,对语音计算对数能量,然后计算改进的倒谱距离,将MFCC倒谱距离与对数能量融合,获得了一种新的语音参数,该参数能有效地提高低信噪比情况下语音与噪声的区别,对参数进行顺利滤波用于语音端点检测,采用自动更新的双阈值进行语音端判别.仿真实验表明,该算法具有较好的适用不同噪声,在低信噪比下依然能获得比较理想的端点检测效果.     

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。     

一种基于Hilbert-Huang变换的语音去噪方法

在介绍Hilbert Huang变换理论的基础上,提出了一种基于HHT变换的语音去噪算法。首先对带噪语音信号做EMD分解,得到各阶IMF分量,然后对高频的IMF分量用小波域去噪中的阈值方法进行处理,然后把经过阈值处理的高频IMF分量和低频的IMF进行叠加,得到重构后的信号,即去噪信号。仿真实验表明基于Hilbert Huang变换的去噪结果优于小波软、硬阈值法的去噪结果,显示了Hilbert Huang变换在处理非平稳信号中的优越性。     

An Algorithm of Voice Activity Detection Based on EMD and Wavelet Entropy Ratio

A new method was proposed to identify speech-segment endpoints based on the empirical mode decomposition (EMD) and a new wavelet entropy ratio with improving the accuracy of voice activity detection. With the EMD, the noise signals can be decomposed into several intrinsic mode functions (IMFs). Then the proposed wavelet energy entropy ratio can be used to extract the desired feature for each IMFs component. In view of the question that the method of voice endpoint detection based on the original wavelet entropy ratio cannot adapt to the low signal-to-noise ratio (SNR) condition, an appropriate positive constant was introduced to the basic wavelet energy entropy ratio with effectively improved discriminability between the speech and noise. After comparing the traditional wavelet energy entropy ratio with the proposed wavelet energy entropy ratio, the experiment results show that the proposed method is simple and fast. The speech endpoints can be accurately detected in low SNR environments.     

一种用于3G系统中复杂背景噪声环境下的话音激活检测算法

本文讨论了一种新的应用在3G自适应多速率系统中复杂背景噪声环境下的话音激活检测算法。这种算法基于谱估计理论和周期信号检测方法,应用一个IIR滤波器组把输入窄带语音信号分面九个频带,进而估计每个频带的语音信号和背景噪声的电平,结合基音和音调检测,在区分语音和移动环境中的大多数背景噪声对表现得足够健壮,最后,基于欧洲电信标准委员会建议的3G平台对这种算法进行了仿真评估,并就其健壮性从主客观两个方面进行了分析。     

希尔伯特-黄变换在谐波和间谐波检测中的应用

提出了一种检测电力谐波和间谐波的方法。将Hilbert-Huang变换（Hilbert—Huang Transform,HHT）用于谐波检测中,应用该方法可以提取任意频次的谐波信号。首先,运用经验模态分解处理含谐波的信号,得到一组平稳的固有模态函数分量。然后,对每个固有模态函数分量进行希尔伯特变换,得到每个模态分量的瞬时幅值和瞬时频率,从而检测出各种分量的谐波和间谐波的参数。仿真研究表明该方法的可行性与有效性,并且可以准确地确定谐波的幅值、频率和时间。     

Study on denoising of continuous spectrum on-line monitoring signal of water quality with micro-reagents based on HHT

A continuous spectrum water quality on-line monitoring signal processing method based on Hilbert-Huang transform (HHT) is proposed in this paper, which combines the micro-reagent water quality on-line monitoring technology of sequential injection. The modulation signal and spectrum curve of each intrinsic mode function (IMF) component of the original spectrum signal were obtained by empirical mode decomposition (EMD). The water sample data of different concentrations in the continuous spectrum on-line monitoring system was analyzed by the HHT model. The noise signal was excavated to realize the noise reduction processing, and the reconstruction of the continuous spectrum signal was realized after the noise reduction processing was completed. The research results show that this method can effectively reduce the noise of continuous spectrum signals according to different signal-to-noise characteristics of continuous spectrum, and has convenient use, fast processing speed, and high resolution in the time-frequency domain, which effectively improves the stability and accuracy of the micro-reagent continuous spectrum water quality on-line monitoring system.     

基于差分-变分模态分解与全局信息分析网络的辐射源个体识别方法

为了解决基于希尔伯特黄变换（HHT, Hilbert-Huang Transform）辐射源个体识别方法中的模态混叠分解不充分以及低信噪比下效果较差的问题,本文将信号处理与深度学习相结合提出了一种新的辐射源个体识别方法。首先,对信号进行差分处理,并通过变分模态分解得到对应的模态分量;接着,对各模态分量进行希尔伯特变换得到希尔伯特谱;最后,针对希尔伯特谱的稀疏性特点,本文运用改进的全局信息分析模块对其进行全局细微特征提取。本文实验采用ORACLE公开数据集对所提方法进行性能测试,实验结果表明,该方法识别性能优于4种现有的基于希尔伯特黄变换的辐射源识别方法,其不仅有较低的计算复杂度,而且在5 dB信噪比下有着90%以上的识别效果。