基于谱减法的基音检测算法

基音周期是语音信号的一个重要参数,它在多个领域有着广泛的应用。提出了一种基于谱减法的基音检测算法：先用谱减法对带噪语音去噪,然后再求语音LPC预测残差的自相关函数及自相关函数的倒谱。仿真结果表明,利用这种改进算法做基音周期检测,检测效果会比传统倒谱检测方法有明显改善。     

基于线性预测残差倒谱的基音周期检测

提出一种基于线性预测残差倒谱的基音周期检测算法.该算法对语音信号的线性预测残差信号做倒谱变换,将其作为基音检测特征.并综合残差倒谱峰、短时能量和短时过零率三种特征,构造一个清浊音判决函数,简化清浊音判决过程,提高判决精度.在基音周期检测过程中,根据基音连续原则,提出峰值重定位方法,有效降低基音倍频和半频的错误率.对比实验表明,本文算法的性能不仅较之传统的倒谱方法有明显改善,同时也优于目前效果较好的YIN算法和多尺度小波算法.     

小波变换与二次谱相结合的基音检测法

噪声环境下的基音检测在语音信号分析和识别中占有重要地位。二次谱法是基于倒谱法的一种改进的基音检测方法。本文结合二次谱法和小波变换的去噪特性,提出了一种有效的噪声环境下的基音检测方法。实验表明,在信噪比较低的情况下,该法也能较精确的检测基音周期。     

基于自相关和倒谱法的基音检测改进算法

语音信号基音周期检测一直以来都是语音信号处理的关键技术和热点领域。对传统的基音检测方法进行研究分析,提出基于自相关和倒谱法的基音检测改进算法。先将语音信号进行最小均方误差(LMS)自适应滤波和非线性处理进行语音增强,后进行自相关法和倒谱法加权平方运算来检测基音周期。经Matlab实验仿真,该算法在低信噪比环境中能精确检测基音周期,较传统基音检测方法鲁棒性更好、更精确。     

基于递归分析的基音检测新方法

提出了一种语音信号非线性动力学特性递归分析的基音检测新方法;提出了递归数计算基音,研究了用递归度与所算基音之积精确区分清浊音法,给出了波动基音修正方法。实验结果表明,该方法可以得到比传统自相关法和倒谱法更好的结果,尤其是清浊音特征不明显的音段,基音检测的性能更好,在带噪语音音环境下也具有很好的适应性。     

基于MATLAB的基音检测分析

基音检测作为语音信号处理的重要手段,被广泛地应用于语音的合成、编码及识别等一系列语音信号处理技术问题。基音检测的准确性对于要求极高的语音识别、合成、分析、压缩编码等等都有重要的意义。该文用自相关函数法、平均幅度差函数法和倒谱法这三种常用的基音检测方法,运用MATLAB编程实现,对语音信号的基音周期轨迹图进行了比较分析,并由此得出和倒谱法进行语音信号基音的检测更为精确。     

基于线性预测的综合基音检测法

由于传统基音检测方法在信噪比较低时对弱浊音和清浊音过渡帧的检测效果较差,提出了一种综合的基音检测法.该方法利用线性预测分析和低通滤波器对含噪语音进行预处理,再采用改进的平均幅度差函数加权自相关函数的方法对浊音帧进行基音检测,对于清浊音过渡帧,则利用小波变换进行基音检测.实验结果表明,该法提高了检测精度,即使信噪比降至-5dB,仍能较准确地检测大部分弱浊音和清浊音过渡帧的基音周期,准确性和鲁棒性较好.     

一种基于正弦激励的线性预测模型的语音转换方法

在正弦激励模型的线性预测(LP)残差转换的基础上,提出了一种改进语音特征转换性能的语音转换方法.基于线性预测分析和综合的构架,该方法一方面通过谱包络估计声码器提取源说话人的线性预测编码(LPC)倒谱包络,并使用双线性变换函数实现倒谱包络的转换;另一方面由谐波正弦模型对线性预测残差信号建模和分解,采用基音频率变换将源说话人的残差信号转换为近似目标说话人的残差信号.最后由修正后的残差信号激励时变滤波器得到转换语音,滤波器参数通过转换得到的LPC倒谱包络实时更新.实验结果表明,该方法在主观和客观测试中都具有良好的结果,能有效地转换说话人声音特征,获得高相似度的转换语音.     

一种高效语音基音检测方法的研究

根据语音信号产生的机理,综合考虑基音频率检测的准确性与高效性,提出了一种基于下采样的基音检测方法.该方法以传统的自相关函数法为基础,结合线性预测逆滤波及下采样技术,有效地提高了抗噪性,降低了计算复杂度.通过Matlab软件对计算结果进行仿真分析,证明新算法计算简便、准确,基音频率平滑性好,算法鲁棒性好,适用于实时语音信号的基音检测.     

基于改进的时间动态规整算法的多特征组合的说话人辨认方法研究

通过分析当今说话人识别系统中常用的语音特征和基本的说话人识别方法,本文采用多门限多判决的动态时间规整算法作为识别方法,并提取出美尔频率倒谱及其差分、线性预测倒谱及其差分、基音周期、短时谱的临界带特征矢量和子带能量倒谱等多种语音特征进行互相组合,找出了相应于该识别方法的最优特征组合。     

基于线性预测编码与AMDF的高精度基音检测算法

根据语音信号产生原理,结合线性预测编码(LPC)与平均幅度差函数法(AMDF),提出了一种高精度的基音检测算法。该算法首先利用线性预测分析提取残差信号;然后采用累积平均归一化差分函数与差分信号修正,使基音周期的谷值点更加尖锐;最后利用二次函数拟合与基音周期的倍数检查筛选候选值,得到了准确的基音周期。实验结果表明,与传统方法相比, 该算法的基音检测效果有了明显改善,减少了基音检测中的半频错误,在高信噪比下具有良好的准确性和鲁棒性。     

基于线性预测和最大似然的基音检测算法

根据语音信号产生机理，结合常用的线性预测和最大似然法，提出了一种有效的基音检测算法。该算法采用频域分块估计候选基音周期的范围，提高了算法的计算速度。仿真实验表明，该算法与传统方法相比其基音检测结果有了明显的改善，克服了随机错误及倍频、半频错误，在低信噪比下鲁棒性较好。     

对LPC-10编码算法的分析与改进

本文在介绍语音信号产生模型和线性预测理论的基础上,分析了LPC-10的编解码算法,并对算法中涉及的二元激励和基音周期的提取方法进行了改进。     

加权短时自相关函数的基音周期估计算法

语音基音频率的准确检测是语音信号处理的难点之一。提出一种加权短时自相关函数(Autocorrelation Function,ACF)算法提取基音频率。在传统的ACF方法基础上,利用短时平均幅度差函数(Average Magnitude Difference Function,AMDF)的平方对ACF函数进行加权,由此加强短时自相关函数在基音周期倍数处的峰值特性。对提取出的基频曲线做平滑处理。实验结果表明,该方法提高了基音周期检测的准确率。     

一种基于线性预测残差倒谱的基音检测算法

基音检测算法一直是音频处理领域的研究热点,但是语音信号声道特征对基音及其谐振结构的影响很大,增加了检测的难度。利用LP残差仅仅保留声门激励信号的特点,通过倒谱分析避免了声道特征和噪声的影响。同时针对倒谱分析中经常出现的半频倍频问题和低频截断问题,引入了谐波积谱（HPS）的解决方案,提高了识别的精度。实验表明,该方法能够较好地避免半频倍频错误,对于截去了低频和高频的电话信道语音也能够得到令人满意的检测结果,同时作为帧检测技术能够满足实时应用的需要。     

基于两层神经网络的基音检测算法

传统基音检测方法中当信噪比较低时,会出现清浊音检测效果差、算法精度低、鲁棒性差的缺点。为了克服这些缺点,提出了一种基于两层神经网络的基音检测算法。该方法采用BP人工神经网络进行端点检测,再采用第二层BP神经网络进行清浊音分离,最后通过动态验证得到基音频率。实验结果证明,与传统的自相关法相比,该方法减少了倍频及半频的误差提取,提高了基音频率的提取精度。     

线性调频Z变换在钢琴基音检测中的应用

首先分析了钢琴的基音检测要求和线必调频Z变换的性质，并将其用以基音检测中去，使检测的准确度，可靠性，抗干扰性，实时必，稳定性均达到了工厂的要求，大大降低了工人的劳动强度，提高了工厂的生产效率，使产品的质量更加稳定、可靠。     

同态解卷处理在基音检测中的应用

语音处理中基音检测是极为重要的环节之一,然而浊音中的基音往往会受到声道特性和噪声的影响而导致检测结果的误差。利用同态解卷处理,将浊音中的激励信号和声道特性进行分离,然后再在激励信号中利用自相关检测基音,可以减小声道特性和噪声对基音检测的影响,从而提高基音检测的精度。通过理论模型验证了该方法的可行性,而且实际语音信号处理结果表明,该方法在基音检测时可以基本不受声道特性和噪声的影响。