一种利用线性预测残差的语音去噪方法

提出了一种利用线性预测残差去除语音中加性白噪声的方法 .含噪语音经过线性预测分析后 ,所得的线性预测残差可分为与语音相关的语音残差部分和与噪声相关的噪声残差部分 .当噪声为白噪声时 ,噪声残差能量与噪声能量的比值大于语音残差能量与语音能量的比值 ,并且随着含噪语音信噪比的增大 ,两者数值上的差距越来越大 .因此 ,从含噪语音中按一定比例 λ(0 <λ<1 )减去预测残差 ,即可抑制噪声残差能量 .这实际上抑制了含噪语音中的噪声能量 ,提高了其信噪比 ,从而达到在一定程度上去噪的目的 .同时 ,这样处理造成的语音能量损失是有限的 .特别是 ,上述方法中对语音成分的操作仅仅在预测残差内进行 ,对语音的共振峰影响很小 ,因而能够较好地保留语音信号的频谱结构 ,使语音品质不致降低 .实验结果表明 ,该方法简便而有效     

有噪语音的线性预测HMM参数估计方法

本文讨论了混有加性高斯白噪声的语音的线性预测隐Markov模型(HMM)参数估计问题.由Baum等人提出来的重估公式没有考虑噪声的影响,因此,对有噪语音的模型参数估计会产生较大的偏差.本文对该公式提出了一种修正方案,用这种方法估计出的模型参数有效地抑制了噪声的影响,较准确地反映了语音真实时变特征.实验证实了这一结论.     

基于预测神经元模型的语音线性预测系数求解新方法

采用预测神经元作为语音信号线性预测模型的一种实现形式,可将线性预测系数的求解问题转化为预测神经元的训练问题,并运用BP算法得到了[神经元权值（即线性预测系数）的递推计算公式,考虑到语音信号能量的不确定性,提出了运用相对预测误差能量作为判断的参数,并按清音和浊音中两种情况讨论了收敛判据,由于利用预测神经元的迭代训练算法,理论上可以最大限度地挖掘语音样本中的相关性,因而可得到非常精确的线性预测系数,计算结果表明,运用预测神经元方法所得到的线性预测系数,精度明显高于传统的杜宾算法和格型算法。     

基于线性预测的自适应语音增强技术

提出了一种基于线性预测的自适应语音增强方法。该方法利用带噪语音的线性预测作为自适应滤波器的参考输入，使有色噪声的相关性隐含于参考输入之中，从而大大地提高了语音的信噪比。仿真实验证明．被环境噪声污染了的语音信号经自适应系统处理后，其信噪比提高了32．70dB。     

线性预测编码在语音编码中的运用

本文描述了语音的产生原理、模型,对线形预测编码在语音编码中的运用进行了介绍,并对其常用求解方法进行了比较。     

应用自相关减法改善噪化语音的线性预测编码分析

本文提出了一种新的线性预测编码(LPC)方法。它既可用于纯语音分析,也可用于噪化语音分析。用于噪化语音分析时,首先在无语音帧内估计出噪声样本的自相关系数,然后从噪化语音的自相关系中减去噪声的自相关系数,最后利用估值得到的语音自相关系数求出它的线性预测系数。当输人噪化语音的信噪比为0～10dB时,使用这种方法可以提高信噪比5dB左右。     

高阶谱分析在抗噪语音编码中的应用

将高阶谱分析技术应用于语音编码中以提高其抗噪声的性能,给出了两处利用高阶量提取语音参数的语音编解方案：a．采用高阶累积最小二乘直接估计法提取语音参数进行编码;b．采用高阶累积量SVD－TLS估计法提取语音参数进行编码,研究结果表明,这两种方案在噪声环境中工作时,具有极好的抗高棋朋色噪声和对称分布噪声的能力,总的抗噪性能明显优于传统的LPC声码器。     

一种语音信号线性预测系数的求解新方法

语音信号的线性预测分析是语音信号处理中的重要部分,线性预测系数提取的速度和精确程度直接影响后续的处理工作.现提出一种基于BP神经网络的线性预测系数的求解方法.实验表明,该方法能以较少的训练次数得到较高的计算精度.     

基于动态剩余S-N曲线的线性疲劳寿命预测模型

为估算结构在变幅载荷下的疲劳寿命,在动态剩余S-N曲线的基础上,结合材料的退化规律,对材料受载过程中的累积疲劳损伤进行了量化,提出了一种预测变幅载荷下线性疲劳损伤预测模型。根据热轧16Mn钢和20Cr2Ni4A标准圆柱齿轮多级载荷下疲劳寿命试验数据,对提出模型的疲劳寿命预测能力进行了验证。结果表明：基于强度退化的线性疲劳寿命预测模型相对传统Miner法则和材料记忆退化累积模型的预测结果更接近试验结果,具有较高的预测精度。     

提取耳蜗熵的语音可懂度评价算法

为了提高主观和客观听力条件下语音可懂度的相关度,提出用耳蜗熵值来衡量语音的可懂度。利用提取的耳蜗熵值分段后的语音作为归一化协方差（normalized covariance measure,NCM）的语音可懂度算法的输入,分析高熵值语音段和低熵值语音段主客观相关系数的高低。结果表明,提取的高耳蜗熵值语音段比低熵值语音段对语音可懂度算法与主观评价的相关性高,高熵值语音段携带有更多的语音信息。     

用小波变换实现电子耳蜗CIS语音信号的处理

为克服以往滤波器组参数调整复杂问题和实现电子耳蜗语音处理的快速数字化计算,提出了将小波变换应用于电子耳蜗的语音处理。介绍了电子耳蜗的机理及连续交替取样（ Ｃ Ｉ Ｓ）语音信号处理方案,并对耳蜗的频率分析特性与小波变换的时间—尺度分析特点进行了比较; 讨论了用小波变换实现 Ｃ Ｉ Ｓ语音信号处理方案的方法及仿真结果,给出尺度的选择依据,并与滤波器组的分析方法进行了比较。结果表明,用小波变换实现电子耳蜗的 Ｃ Ｉ Ｓ语音信号处理方案是可行的     

基于LP-MMSE的高效语音感知哈希认证算法

为了满足移动语音通信中对语音内容保持操作的鲁棒性和区分性,并实现高效认证等要求,提出一种基于线性预测最小均方差(LP-MMSE)的高效语音感知哈希认证算法.该算法首先对待认证语音进行预处理、分帧和加窗后的语音信号进行线性预测分析(LPC)得到其最小均方差(MMSE)系数矩阵;然后对分帧后的语音利用谱熵法计算得到每帧的谱熵值参数矩阵;最后结合上述两个矩阵,生成最终的二进制感知哈希序列.仿真结果表明,该算法的感知哈希摘要性优于现有的其它方法并对内容保持操作具有较好的鲁棒性和区分性,认证效率高,能够满足语音通信实时认证的要求.     

话音信号的功率谱分析

话音信号的振幅分布特性服从拉普拉斯分布或伽玛分布，并与方差有关。改变其方差即改变其分布特性，从而达到话音信号振幅平滑处理的目的，进而为抑制话音信号处理过程中信号频带的拓宽作准备。通过实验与统计分析论证，采用适当方式对话音信号进行处理，可以有效改变其振幅分布特性。这一“平滑”处理过程对话音信号进一步处理的实现是十分有益的。     

语音信号的动态时频倒谱特征

汉语方言辨识中常用的转移差分倒谱(SDC)特征往往存在较多的冗余信息.对此,提出动态时频倒谱(DT-FC)特征.首先对倒谱矩阵进行离散余弦变换(DCT),然后对变换后的矩阵元素进行重组.基于新特征,在高斯混合模型系统下对闽、粤、吴3种方言进行辨识.实验结果表明,DTFC特征的性能明显优于SDC特征,其平均辨识率可达98.89%,较SDC特征提高了3.1%.     

信号分析中的正交变换

信号分析的主要目的是寻找一种简单有效的信号变换方法，以便突出信号中的重要特性、简化运算的复杂程度，其中希尔伯特(Hibert)空间中的正交变换得到了广泛的应用。投影定理在平稳时间序列的预报及函数逼近研究中起着重要的作用。本文从数学分析的角度推证了正交变换与投影定理的内在联系，通过信号分析中典型正交变换的应用进行了验证，从而揭示了正交变换的内在本质。     

线性调频信号源的研制

提出了一种具体的C波段的线性调频信号源的设计方案．该方案是基于最新的直接数字频率合成技术（DDS）和锁相环频率合成（PLL）相结合的结构,利用DDS与PLL进行混频产生所需信号,重点阐述了系统的硬件实现,包括系统设计方案、主要电路模块设计及高速PCB板设计的关键技术等,并针对实际调试过程中的常见问题给出具体的解决方案．     

一种基于EMD技术的语音信号去噪算法

分析了基于经验模态分解(EMD)方法的含噪语音信号尺度滤波特性,并根据清音和浊音的不同特点,应用软门限方法对以宽带随机噪声为背景的语音信号IMF分量作门限处理,提出了一种基于EMD的语音信号噪声处理的算法,计算机实验仿真结果表明,该算法具有较好的语音去噪效果和较小的语音失真性能。