本文關(guān)鍵詞：噪聲環(huán)境下的語音檢測方法研究，，由筆耕文化傳播整理發(fā)布。

【摘要】：語音檢測是指從一段包含語音的信號中自動地檢測出語音存在時段的一門技術(shù),也稱為語音活動檢測。它是語音信號處理中的重要環(huán)節(jié),廣泛地應用于多個研究領(lǐng)域,如語音編碼、語音增強和語音識別等。目前,現(xiàn)有的語音檢測方法在高信噪比噪聲環(huán)境下檢測效果比較理想,然而在低信噪比噪聲環(huán)境下,其檢測效果很大程度地下降。因此,低信噪比環(huán)境下的魯棒語音檢測方法研究具有重大意義。本文主要對基于機器學習的語音檢測方法進行研究,在研究和分析現(xiàn)有的一些檢測方法的基礎(chǔ)上,對兩種語音檢測方法進行了改進,達到在低信噪比環(huán)境下提高語音檢測性能的目的,具體工作和創(chuàng)新如下:(1)基于魯棒特征的加權(quán)學習語音檢測該方法針對基于諧波頻率分量多觀測似然比測試的語音檢測方法所存在的一些問題進行了改進。針對噪聲方差是計算語音檢測似然比的關(guān)鍵,采用了無偏最小均方誤差的方法進行噪聲估計,提高了似然比計算的準確性;針對在低信噪比噪聲環(huán)境下,濁音幀的諧波譜峰受到噪聲干擾很大,不能有效地提高原有多幀似然比的總得分的缺點,提出了一個新的特征:基于長時譜峰的似然比幾何均值,并將此特征與原有的多觀測特征向量組合成一個新的特征向量,使用基于最小分類錯誤可區(qū)分訓練方法對新特征向量進行加權(quán),以此來改進語音檢測的決策規(guī)則,這樣消除了等權(quán)值模型所存在的缺陷。實驗結(jié)果表明,該方法提高了對弱語音幀的檢測,從而提高了語音檢測的檢測性能。(2)基于噪聲和信號分類的語音檢測由于基于信號分類的語音檢測方法在檢測模型構(gòu)建時是由多噪聲環(huán)境的混合含噪語音訓練得到的,它沒有考慮到噪聲類別對語音檢測的檢測性能也存在一定的影響。因此,本文引入了噪聲分類方法,將其作為語音檢測方法的第一步,以此來提高檢測性能。采用了感知小波包變換的方法來進行噪聲特征提取,提高了噪聲分類的準確性。針對二元分類問題需要可分性高的信號特征的要求,使用了魯棒性高的多窗譜MFCC進行信號特征提取。實驗結(jié)果表明,該方法有效地提高了語音檢測的檢測性能。
【關(guān)鍵詞】：語音檢測 噪聲估計 長時譜峰 最小分類錯誤 噪聲分類
【學位授予單位】：電子科技大學
【學位級別】：碩士
【學位授予年份】：2015
【分類號】：TN912.3
【目錄】：

• 摘要5-6
• ABSTRACT6-10
• 第一章 緒論10-17
• 1.1 研究工作的背景與意義10-11
• 1.2 國內(nèi)外研究歷史與現(xiàn)狀11-15
• 1.3 本文的主要貢獻與創(chuàng)新15
• 1.4 本論文的章節(jié)安排15-17
• 第二章 語音檢測技術(shù)基礎(chǔ)17-32
• 2.1 語音信號產(chǎn)生的數(shù)字模型17-20
• 2.1.1 激勵模型17-19
• 2.1.2 聲道模型19
• 2.1.3 輻射模型19-20
• 2.2 語音信號的特征分析20-27
• 2.2.1 語音信號的預處理20-22
• 2.2.2 語音信號的時域分析22-25
• 2.2.3 語音信號的頻域分析25-27
• 2.3 語音檢測技術(shù)27-30
• 2.3.1 基于統(tǒng)計模型的語音檢測27-29
• 2.3.2 基于信號分類的語音檢測29-30
• 2.4 語音數(shù)據(jù)庫準備30-31
• 2.4.1 語音數(shù)據(jù)庫30
• 2.4.2 參考標簽30-31
• 2.5 性能評價標準31
• 2.6 本章小結(jié)31-32
• 第三章 基于魯棒特征的加權(quán)學習語音檢測32-54
• 3.1 基于Hmfreq-MOLRT的語音檢測32-35
• 3.2 問題提出35-37
• 3.3 魯棒的Hmfreq-LTSP聯(lián)合特征37-42
• 3.3.1 無偏最小均方誤差噪聲估計37-38
• 3.3.2 Hmfreq-LTSP聯(lián)合特征38-42
• 3.4 改進的決策規(guī)則42-45
• 3.5 實驗結(jié)果45-53
• 3.5.1 噪聲估計效果45-47
• 3.5.2 語音檢測效果47-53
• 3.6 本章小結(jié)53-54
• 第四章 基于噪聲和信號分類的語音檢測54-73
• 4.1 MFCC-SVM的語音檢測方法54-61
• 4.1.1 MFCC特征提取55-58
• 4.1.2 SVM分類器58-61
• 4.2 基于噪聲和信號分類的語音檢測61-67
• 4.2.1 算法思想61-62
• 4.2.2 系統(tǒng)框圖62-63
• 4.2.3 噪聲分類方法63-65
• 4.2.4 信號分類方法65-67
• 4.3 實驗結(jié)果67-71
• 4.3.1 噪聲分類效果67-68
• 4.3.2 信號分類效果68-70
• 4.3.3 語音檢測效果70-71
• 4.4 本章小結(jié)71-73
• 第五章 總結(jié)與展望73-75
• 5.1 工作總結(jié)73
• 5.2 工作展望73-75
• 致謝75-76
• 參考文獻76-81

【共引文獻】

中國期刊全文數(shù)據(jù)庫 前10條

1 苑津莎;張利偉;王瑜;尚海昆;;基于極限學習機的變壓器故障診斷方法研究[J];電測與儀表;2013年12期

2 張凱;趙建虎;王鍥;;基于支持向量機的水下地形匹配導航中適配區(qū)劃分方法研究[J];大地測量與地球動力學;2013年06期

3 周任軍;趙慧材;方昀暉;劉巍;;采用支持向量機圖形用戶界面的電力負荷組合預測方法[J];電力科學與工程;2013年12期

4 郝理陽;潘泉;;基于融合核方程對藥物-靶點作用預測研究[J];電子設(shè)計工程;2013年23期

5 王文;王成剛;李建海;楊帆;;基于SVR的電工實驗裝置故障預測方法研究[J];電氣電子教學學報;2013年06期

6 SUN Juelu;;An improved method to distinguish between scanned and rasterized document images[J];Baosteel Technical Research;2014年01期

7 歐陽純萍;陽小華;雷龍艷;徐強;余穎;劉志明;;多策略中文微博細粒度情緒分析研究[J];北京大學學報(自然科學版);2014年01期

8 李雅倩;李穎杰;李海濱;張強;張文明;;融合全局與局部多樣性特征的人臉表情識別[J];光學學報;2014年05期

9 李姜;郭立紅;;基于改進支持向量機的目標威脅估計[J];光學精密工程;2014年05期

10 王曉春;黃靖;楊豐;羅蔓;;基于SVM模型參數(shù)優(yōu)化的多模態(tài)MRI圖像腫瘤分割方法[J];南方醫(yī)科大學學報;2014年05期

中國重要會議論文全文數(shù)據(jù)庫 前7條

1 錢志明;楊家寬;段連鑫;;基于視頻的車輛檢測與跟蹤研究進展[A];2013年中國智能自動化學術(shù)會議論文集（第五分冊）[C];2013年

2 朱強華;鄭鐵然;韓紀慶;;行車環(huán)境下基于二值語譜圖的聲學事件檢測[A];第十二屆全國人機語音通訊學術(shù)會議（NCMMSC'2013）論文集[C];2013年

3 YAN Jun-wei;Zhou Yu;ZHOU Xuan;;Study on Operation Energy Efficiency Model of Chiller Based on SVR[A];第26屆中國控制與決策會議論文集[C];2014年

4 蔡英鳳;王海;陳小波;;基于多部件RBM模型的部分遮擋車輛檢測[A];2014第九屆中國智能交通年會大會論文集[C];2014年

5 Jun Chen;Xiaoqi Peng;Xiuming Tang;;Error Correction of Support Vector Regression Model for Copper-Matte Converting Process[A];2015年中國智能自動化學術(shù)會議論文集（第三分冊）[C];2015年

6 吳龍飛;孫浩;計科峰;;基于集成映射的半監(jiān)督圖像分類方法[A];第八屆全國信號和智能信息處理與應用學術(shù)會議會刊[C];2014年

7 游山;焦振宇;許超;;大間隔原則的雙邊2DPCA在人臉識別中的應用[A];第九屆全國信號和智能信息處理與應用學術(shù)會議專刊[C];2015年

中國博士學位論文全文數(shù)據(jù)庫 前10條

1 王寶勛;面向網(wǎng)絡社區(qū)問答對的語義挖掘研究[D];哈爾濱工業(yè)大學;2013年

2 常廣;高壓斷路器振動監(jiān)測與故障診斷的研究[D];北京交通大學;2013年

3 姜恩宇;基于直腸感知功能重建的人工括約肌系統(tǒng)研究[D];上海大學;2013年

4 邵喜高;基于統(tǒng)計學習理論的多核預測模型研究及應用[D];中南大學;2013年

5 木瑞塔（Murtada Khalafallah Elbashir Elfaki）;基于機器學習和統(tǒng)計方法的蛋白質(zhì)結(jié)構(gòu)特征預測[D];中南大學;2013年

6 張國鵬;三維紋理分析在虛擬結(jié)腸鏡計算機輔助檢測/診斷中的應用研究[D];第四軍醫(yī)大學;2013年

7 鄧盛川;具有調(diào)峰爐的熱力站節(jié)能控制策略研究[D];哈爾濱工業(yè)大學;2012年

8 李翔;隧道工程穩(wěn)定可靠度計算分析方法研究[D];湖南大學;2012年

9 張志敏;化學計量學算法實現(xiàn)的軟件開發(fā)基礎(chǔ)研究[D];中南大學;2012年

10 胡振邦;基于Latent SVM的人體目標檢測與跟蹤方法研究[D];中國地質(zhì)大學;2013年

中國碩士學位論文全文數(shù)據(jù)庫 前10條

1 馬靜;基于數(shù)據(jù)不平衡的SVM方法預測microRNA[D];燕山大學;2013年

2 冉沛;基于特征提取的篡改圖像取證研究[D];重慶大學;2013年

3 劉峰;基于多目標優(yōu)化的多標簽分類算法參數(shù)調(diào)諧研究[D];南京師范大學;2013年

4 袁建洲;風電場短期功率預測方法的研究[D];南昌大學;2013年

5 周明輝;運動車輛車牌識別算法的研究與實現(xiàn)[D];昆明理工大學;2013年

6 張軼;干擾量化類隱寫的檢測[D];解放軍信息工程大學;2013年

7 李家魁;基于序列進化信息的蛋白質(zhì)預測研究[D];東北師范大學;2013年

8 王星;利用聚類后PCA方法的T細胞表位預測研究[D];東北師范大學;2013年

9 魏雅娟;暗視場浮游動物圖像自動識別方法研究[D];中國海洋大學;2013年

10 劉毅;基于內(nèi)容的敏感圖像識別技術(shù)研究[D];北京工業(yè)大學;2013年

  本文關(guān)鍵詞：噪聲環(huán)境下的語音檢測方法研究，由筆耕文化傳播整理發(fā)布。

本文編號：286389