同声道语音检测及一种新的检测算法

分析了同声道语音检测的典型算法SAPVR算法，介绍了算法的基本思想和流程。着重提出了一种简化运算的新的检测算法．用MATLAB工具进行实验，验证了该算法的有效性。     

噪声环境下的语音识别性能研究

在变强噪音的情况下,语音识别的正确率会迅速下降;当噪声较强并且强度不断发生变化的时候,端点检测是一个难题;提出了两种方法保证噪声较强而且强度不断发生改变情况下的语音识别率：基于LPC距离的端点检测算法和白适应的抗噪语音特征参数提取算法;经过实验证明,采用了这两种不同于传统算法的新方法后,变强噪音情况下的语音识别率得到了明显的改善。     

基于熵和能量的语音端点检测算法

短时能量与熵是语音端点检测的常用方法，但在低信噪比环境中都不能有效定位端点。因此给出结合这两种方法检测语音段的位置，同时采用自适应于不同的噪音背景下的判决准则，经实验证明该算法行之有效，对于连续数字音，准确率较原有算法平均提高16％，单个数字音提高26％。     

一种噪声环境下的实时语音端点检测算法

语音识别中的端点检测要求对噪声有很强的鲁棒性。该文提出一种方法,综合采用了语音信号中的4个相互之间独立性强的特征-短时能量、倒谱距离、能量谱方差和能量-熵特征,有效地改进传统的基于单一语音特征方法的缺陷,在动态变化的噪声环境中,大大提高了端点检测对噪声的鲁棒性;为了克服分类回归树(CART)决策法的过度复杂性,引入一种新的5状态自动机进行快速决策,以保证算法的实时性能,并且能够提高端点检测的可靠性。通过各种实际噪声环境的测试,实验表明这一算法可以显著提高在低信噪比、噪声动态变化的各种环境下的端点检测性能。     

复杂噪声下自行高炮通信系统语音信号检测方法研究

研究了在噪声环境下自行高炮通信系统语音信号的检测方法,提出了在高信噪比环境下采用短时平均幅度(AM)算法与短时平均幅度差(AMDF)算法检测相结合的二级判断法,在低信噪比的情况下采用短时高低频能量比的算法,实现语音信号在不同噪声环境下的检测;实验结果表明,高信噪比情况下二级判别法具有良好的语音识别效果,低信噪比情况下短时高低频能量比算法可以有效地检测出语音端点,避免切音现象;与传统语音检测算法相比,此方法不同信噪比状态下都具有较好的检测效果,体现出算法一定的优越性.     

非平稳噪声环境下基于谐波能量的语音检测

语音端点检测的鲁棒性,对于构建实际语音识别系统具有重要的意义.谐波成分是语音信号的一个基本特点,为此提出了一种基于谐波成分能量的端点检测算法.通过sobeI算子计算窄带语谱图的方向场,通过Gabor滤波增强谐波区域,通过门限方法得到二值化图,去除方向大于45度和依赖度低的点,得到连续的水平方向的带状分布,即谐波分布区域,求取谐波分布区域内的能量,以此作为门限判决的特征.实验结果表明,在不同信噪比、多种非平稳噪声环境下都能够达到较好的语音检出效果.其优点为,不需要噪声的先验知识,充分利用了语音在频率域和时间域的相关性,适应于各种非平稳复杂噪声.     

噪声环境下统计分类语音检测的自适应算法

可靠的语音检测算法是稳健语音识别系统所必需的。该文针对统计分类语音算法对训练数据的依赖问题,提出自适应算法在线动态更新分类模型。实验结果表明在训练和识别环境失配情况下,自适应算法可以明显提高语音检测的稳健性。在稳态的噪声环境下,语音检测的正确率有3%-10%的提高;在时变的噪声环境下,语音检测的正确率有7%-28%的提高。     

噪声环境下语音信号端点检测算法的研究与改进

端点检测是语音识别申的一项关键技术，端点检测的准确性对语音识别的性能有很大影响。论文对基于短时能量和短时过零率及基于LPC倒谱特征的端点检测算法进行了研究，给出改进的基于LPC美尔倒谱特征的端点检测算法，并通过实验证明其在低信噪比下具有较好的检测性能。随着语音识别技术的发展，这种算法在实际应用中的高效率、实时、准确性会逐渐显现出。     

基于短时能量和噪声谱自适应估计的语音激活性检测方法

文中综合语音短时能量和由Sohn等提出的自适应估计噪声统计量,提出一个适合于各种类型环境噪声的更鲁棒、更有效的语音激活性判别准则.该方法较Sohn方法正确识别率平均提高5%,且仍然保留着原来Sohn方法较好地自适应追踪噪声谱变化的优点.经过大量实验表明新方法是一个有效的、鲁棒的语音激活性检测器.     

一种新的强噪声环境下的语音增强算法

针对强噪声环境下语音增强中噪声估计和先验信噪比估计算法导致的语音失真和音乐噪声的问题,利用语音和噪声的统计模型的对称性得到一种噪声幅度的估计值为参考,提出了一种噪声估计算法,改进了先验信噪比估计算法,形成了一种新的增强算法,适用于强噪声环境下的语音增强。由仿真实验给出的客观评分看出,在0 dB乃至－5 dB条件下,给出信噪比估计算法能够有效减小信号失真,基本上没有残留音乐噪声。     

基于实时噪声估计的语音增强方法

语音增强的目的是为了在保持语音可懂度和清晰度的前提下，尽可能地从带噪语音中提取需要的纯净语音，从而改善其质量，在实际应用中还需要对背景噪声进行预估。该文将实时噪声估计与维纳滤波法相结合，提出了一套简易有效的语音增强方案，在语音帧阶段对噪声功率谱进行平滑处理，使噪声估计更适合于维纳滤波，并配合传统的过减法以补偿估计引入的误差。Matlab实验表明在较低信噪比下，这种方法使得语音的信噪比有较大的提高，语音增强效果十分明显。     

一种基于改进谱熵的语音端点检测方法

针对常规谱熵端点检测法在非平稳噪声环境下检测效果差的缺陷,提出了一种基于子带谱熵幅度积参数的语音端点检测方法。该方法利用非平稳信号处理技术将语音信号的时域分析和频域分析相结合,在常规谱熵的基础上计算出子带谱熵,再结合时域中的短时平均幅度进行端点检测。仿真结果表明,与常规谱熵端点检测算法和短时平均幅度算法相比,该方法在各种噪声环境下的检测效果都比较好,鲁棒性增强,其有效性得到验证。     

一种基于改进的量子神经网络的语音降噪方法

利用一种改进的量子神经网络（IPSO-QNN）在时域上对含噪的语音信号进行降噪处理,文中重点改进了QNN所涉及到的学习算法。针对粒子群算法本身存在早熟的不足,提出了一种改进的粒子群优化算法（IPSO）。该算法通过对早熟粒子的速度和位置叠加随机数据,使其离开局部最优,从而使算法具有更强的寻优能力。利用IPSO对量子神经网络的参数进行训练和学习,建立了比较高效的基于改进的量子神经网的语音信号滤波器,并通过Matlab软件建立实验平台,实验结果表明,新算法充分利用了量子神经计算的快速性以及粒子群算法的全局寻优能力,从而使该语音信号滤波器,具有良好的降噪性能。     

基于EDFE的顽健语音识别方法中测试环境特征的自适应

作者曾提出一种基于环境特征判别学习的顽健语音识别方法EDFE,该方法基于最小分类错误准则迭代地学习环境特征。从训练数据中学得的环境特征不可能完全反映测试环境的特点,因此研究测试环境的自适应方法,有利于提高语音识别系统性能。文章讨论EDFE中一种测试环境的自适应方法。     

随机共振在强噪声环境中语音增强应用

传统的语音增强方法是在保持语音可懂度和清晰度的前提下,尽可能地从带噪语音中提取需要的纯净语音,而在强噪声环境中,语音信号表现为弱信号,去噪变得困难.基于Hodgkin-Huxley神经元阈上非周期随机共振原理,提出一种自适应调节,添加最佳噪声来进行语音随机共振,从而实现语音增强.Matlab实验结果表明,在强噪声环境中实现对语音信号增强,信噪比提高明显,且效果优于传统算法.方法具有一定鲁棒性,提供了在强噪声环境中增强语音信号的新思路.     

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。     

一种基于周期能量的基音检测方法

文章对语音信号的能量呈现周期性变化的现象进行了研究,提出了一种基于周期能量变化的基音检测方法。采用一个长帧语音信号平均能量作为基准参考能量,用一个短帧语音信号平均能量来表示瞬时能量。由二者可算出瞬时能量测度(InstantEnergyMeasure,IEM)序列。对瞬时能量测度序列进行自相关计算后,得到基音周期。实验分析表明,该方法在干净和噪声环境下,基音周期提取和清浊判决具有令人满意的效果。     

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。     

一种精确检测语音端点的方法

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。本文引用窗长动态变化的端点检测技术,并将传统的双门限端点检测算法和窗长动态改变的端点检测技术结合起来用于语音端点检测。大量实验表明这种技术可以比较精确的检测语音端点,特别是地检测语音的起始端点中有很大的优势。使用改进后的语音端点检测技术,可以有效地提高语音识别率。