基于LPC美尔倒谱特征的带噪语音端点检测

复杂的噪声环境是语音识别系统在实际应用中性能下降的原因之一,识别预处理中的带噪端点检测作为关键技术,其性能的优劣某种程度上决定了识别率的高低。笔者提出了基于LPC美尔倒谱特征的带噪端点检测方法,对语音信号分高低频段分别提取IPC美尔倒谱特征分析,根据Mel倒谱距离判决,采用自适应噪声估计,实验结果表明,该方法计算效率较高,低信噪比下有较好的检测性能。     

基于压缩感知的稳健性说话人识别

阐述了在噪声条件下,将基于压缩感知理论的丢失数据重建技术应用于说话人识别系统的系统前端.首先使用Mel滤波器组将带噪语音信号转换成Mel频谱,然后利用带噪MeI谱中可靠数据重建不可靠数据,最后从重建的Mel频谱中提取Mel倒谱特征参数用于说话人识别.稳健性实验结果表明,该方法能够提高在噪声环境下说话人系统的识别率.     

差分和加权Mel倒谱混合参数应用于说话人识别

说话人识别是信息技术和生物学的新一代身份验证方式,在说话人识别的研究中,特征参数的提取直接影响到识别系统最终的识别效率.通过对Mel频率倒谱系数特征参数进行分析研究,基于Mel频率倒谱系数改进加权函数,将体现个人语音特性的加权特征参数与反映语音帧间变化的差分Mel频率倒谱系数进行维度筛选,再进行参数混合.实验结果表明,通过改进加权函数提取得到的特征参数与差分Mel频率倒谱系数的混合参数在矢量量化的说话人识别系统中,码本容量为16和32时可以达到100%的识别率.     

加性白噪声环境下语音特征参数鲁棒性的研究

随着说话人识别技术的发展,实用有效的说话人识别系统越来越成为研究的重点.语音特征参数的鲁棒性直接影响一个说话人识别系统的具体性能,过去主要针对移动通信环境下存在信道失真的问题,研究差分倒谱的鲁棒性.文中则主要在加性白噪声环境下研究Mel倒谱参数、Mel差分倒谱参数的顽健性以及它们经过倒谱系数零均值化（CMN）处理后识别性能的改进.从仿真结果可以看出：在加性白噪声环境下,差分倒谱参数具有很好的鲁棒性;倒谱系数零均值化能有效的除去加性白噪声.     

分布式光纤振动传感信号识别的研究

为了能够更好地识别入侵振动信号,通过研究分布式光纤振动传感器及振动信号的识别技术,根据振动信号的特点,借鉴语音信号的处理方法,对比原有基于快速傅里叶变换频谱分析算法,引入了基于Mel频率倒谱系数的识别算法。新算法从频域的角度对振动信号进行分析,提取不同环境状态下的Mel频率倒谱系数,并将其作为新的特征参量。通过实验对比分析两种算法,两者的误报率分别为27.5%和7.5%。结果表明,基于Mel频率倒谱系数的算法相比基于快速傅里叶变换的频谱分析算法,在误报率上可以降低20%甚至更多,在不漏报的前提下,显然误报率更低的基于Mel频率倒谱系数的算法更加适用于安防体系。     

基于MFCC倒谱距离的语音端点检测方法

在一个语音信号处理系统中,端点检测是对语音预处理阶段最重要的环节,好的检测效果可提高后续语音处理的效率。文章结合语音信号特性,采用根据人耳听觉机理Mel频率倒谱系数(Mel Frequency Coefficient,MFCC)对带噪语音进行端点检测,通过仿真实验的方式证明其可行性。     

基于MFCC的说话人识别系统

说话人识别可以被看作语音识别的一种,是当前的研究热点之一.本文实现的说话人辨认系统,采用能够反映人对语音的感知特性的Mel频率倒谱系数（Mel-Frequency Ceptral Coefficients ,MFCC）作为特征参数.试验比较了MFCC、差分MFCC组合MFCC分别与VQ、DTW相结合的识别率.得出差分MFCC组合MFCC优于MFCC.     

语音端点检测在实时语音截取中的应用

语音端点检测在语音识别系统中占有重要地位。针对在噪声多变的环境中实时截取完整语音信号存在困难,文章提出一种实时语音端点检测方法。该方法首先提取每帧信号的短时平均过零率与Mel频率倒谱系数;然后利用前N帧背景噪声的Mel频率倒谱系数对当前帧进行归一化,并以该特征矢量的L2范数作为另一特征;最后根据多特征分析对有效语音信号进行截取。实验结果表明,该方法在多变的噪声环境中,截取完整语音信号具有较高准确率。     

复杂背景下声纹识别系统的研究方法综述

声纹识别是生物特征识别领域的一个重要分支。它采用语言数据自动地鉴定测试者身份。本文研究复杂背景下的声纹识别系统的设计与实现,首先,利用正交小波滤波器组来对信号进行预滤波,对语言信号的每个频率段进行细粒度去噪,提取出各频段小波系数,重构出语音信号;其次,在特征提取阶段,利用倒谱法计算出基音周期参数,通过Mel滤波器组将小波系数转换成Mel倒谱系数(MFCC),将得出的两种参数组成一个特征矢量作为声纹特征;最后声纹识别阶段,每一个说话人都由一个GMM表示,计算出特征矢量序列的每个似然函数,找到其中最大的说话人模型,即判定为说话人。     

作为说话人识别特征参量的MFCC的提取过程

说话人识别是人的个体特征识别中的一个重要分支,在实际生活中已得到广泛应用。而人的听觉系统是一个比较理想的说话人识别系统,MFCC(Mel倒谱系数)模拟了人的听觉特性,是符合人听觉特性的语音特征参量,在实际应用中取得了较高的识别率。文中通过一个卷积同态系统简单介绍了语音信号的倒谱分析方法,并通过对Mel频率刻度得到符合人听觉特性的Mel频率等效滤波器组,最后介绍了MFCC求取的一般过程和算法。