基于Fisher比的梅尔倒谱系数混合特征提取方法

针对语音识别中梅尔倒谱系数(MFCC)对中高频信号的识别精度不高,并且没有考虑各维特征参数对识别结果影响的问题,提出基于MFCC、逆梅尔倒谱系数(IMFCC)和中频梅尔倒谱系数(MidMFCC),并结合Fisher准则的特征提取方法。首先对语音信号提取MFCC、IMFCC和MidMFCC三种特征参数,分别计算三种特征参数中各维分量的Fisher比,通过Fisher比对三种特征参数进行选择,组成一种混合特征参数,提高语音中高频信息的识别精度。实验结果表明,在相同环境下,新的特征与MFCC参数相比,识别率有一定程度的提高。     

基于Fisher比的梅尔倒谱系数混合特征提取方法

针对语音识别中梅尔倒谱系数（MFCC）对中高频信号的识别精度不高,并且没有考虑各维特征参数对识别结果影响的问题,提出基于MFCC、逆梅尔倒谱系数（IMFCC）和中频梅尔倒谱系数（MidMFCC）,并结合Fisher准则的特征提取方法。首先对语音信号提取MFCC、IMFCC和MidMFCC三种特征参数,分别计算三种特征参数中各维分量的Fisher比,通过Fisher比对三种特征参数进行选择,组成一种混合特征参数,提高语音中高频信息的识别精度。实验结果表明,在相同环境下,新的特征与MFCC参数相比,识别率有一定程度的提高。     

基于MFCC-IMFCC和GA-SVM的鸟声识别

鸟声识别研究中声音特征选取对识别分类的准确度有很大影响. 为了提高鸟声识别正确率, 针对传统的梅尔倒谱系数(MFCC)对鸟声高频信息表征不足. 提出了基于Fisher准则MFCC和翻转梅尔倒谱系数(IMFCC)的特征融合, 得到新的特征参数MFCC-IMFCC应用于鸟声识别, 提高对鸟声高频信息表征. 同时通过遗传算法(GA)对支持向量机(SVM)中的惩罚因子C和核参数g进行优化, 训练出GA-SVM分类模型. 实验表明, 在同一条件下, MFCC-IMFCC与MFCC相比, 识别率有一定的提高.     

基于兴趣情感算法的音乐推荐系统设计

当前在线使用的音乐平台大多数根据用户的播放历史来进行音乐推荐,这种推荐模式虽然在大多数环境下能够符合用户的需求,却无法根据用户心情的变化对推荐音乐的类别进行相应的调整。所设计的音乐推荐平台将用户的情绪状态融入到音乐推荐规则之中,在进行双向情感分析的基础上通过两种并行模式实现平台功能。通过实验证明,所设计的音乐推荐平台感知用户情绪的灵敏度高,能够大幅提升用户的使用体验。     

基于梅尔频率倒谱系数与翻转梅尔频率倒谱系数的说话人识别方法

为提高说话人识别系统的识别率,提出了基于梅尔频率倒谱系数(MFCC)与翻转梅尔频率倒谱系数(IMFCC)为特征参数的特征提取新方法。该方法利用Fisher准则将MFCC和IMFCC相结合,构造了一种混合特征参数。实验结果表明,新的混合特征参数与MFCC相比,在纯净语音库及噪声环境中均具有较好的识别性能。     

基于频率段的语音识别算法设计与实现

线性预测倒谱参数(LPCC)能很好的体现人的声道特性,而梅尔倒谱参数(MFCC)能很好的模拟人耳的听觉效应。针对MFCC在不同频率段的识别精度不一致和LPCC不能准确模拟人的听觉系统问题,将MFCC参数和IMFCC参数分别作为语音不同频率段的特征参数,结合线性预测参数(LPCC),均衡滤波器的分布,完整覆盖到整个频率段范围。将梅尔倒谱参数和线性预测参数结合起来作为语音识别的特征提取参数。实验结果表明,改进之后的算法从效率上和识别率上都有不同程度的提高。     

基于基音频能值和梅尔参数的语音识别设计与实现

根据语音发声特点,在分析了语音信号中的基音频率和梅尔参数之间的关系,论文提出一种在强噪声环境下提高语音识别率的实现方法,并对基于基音频能值和梅尔参数的方法和传统语音识别方法进行比较。实验结果表明该方法能够有效提高语音识别率,同时具有计算量小,实时性高,鲁棒性好等特点。     

基于深度卷积神经网络的心音分类算法

针对现有心音分类算法普适性差、依赖于对基本心音的精确分割、分类模型结构单一等问题,提出采用大量未经过精确分割的心音二维特征图训练深度卷积神经网络(CNN)的方法;首先采用滑动窗口方法和梅尔频率系数对心音信号进行预处理,得到大量未经过精确分割的心音特征图;然后利用深度CNN模型对心音特征图进行训练和测试;根据卷积层间连接方式的不同,设计了 3种深度CNN模型:基于单一连接的卷积神经网络、基于跳跃连接的卷积神经网络、基于密集连接的卷积神经网络;实验结果表明,基于密集连接的卷积神经网络比其他两种网络具备更大的潜力;与其他心音分类算法相比,该算法不依赖于对基本心音的精确分割,且在分类准确率、敏感性和特异性方面均有提升.     

基于深度学习和MFCC特征的脑卒中预测方法

脑卒中(cerebral stroke)又称中风、脑血管意外(cerebralvascular accident,CVA),是一种急性脑血管疾病,是我国成年人群致死、致残的首位病因,具有发病率高、致残率高、死亡率高和复发率高的特点。目前,针对脑卒中的治疗手段有限,而且疗效不太理想,预防是现阶段最好的治疗措施。为了有效预防脑卒中,笔者提出了一种基于深度学习和梅尔频率倒谱系数(Mel Frequency Cestrum Coefficient,MFCC)特征的脑卒中预测。首先,通过录音设备录取脑卒中患者和正常人的一小段特定语音;其次,对特定的语音做信号预处理,经预处理后对语音进行相应的梅尔变换,通过离散余弦变换获得MFCC语音特征;最后,将MFCC特征放入卷积神经网络进行模型训练,获取脑卒中的预测评价。实验结果表明,通过将MFCC特征输入到卷积神经网络进行模型训练,在预测准确性和鲁棒性方面具有较好表现。