本文選題：病理嗓音識別 + 小波leaders多重分形　； 參考：《蘇州大學(xué)》2016年碩士論文

【摘要】：隨著社會的發(fā)展,人們之間的交往日益頻繁,語言是人與人交流的重要橋梁,但是嗓音疾病導(dǎo)致嗓音嘶啞、無力等,嚴(yán)重影響了人們的生活質(zhì)量和社會交流。采用聲學(xué)分析技術(shù)對病理嗓音信號進(jìn)行研究和分析,可以實現(xiàn)對嗓音質(zhì)量的客觀評估,對喉部疾病的診斷和治療具有重要意義。小波變換能在不同尺度對信號進(jìn)行分析,多重分形譜能夠精細(xì)刻畫信號局部尺度行為,同時小波變換是一種時頻分析方法,能有效反映嗓音在時間 尺度平面能量分布,因此本文主要研究了嗓音小波域多重分形譜參數(shù)和能量譜參數(shù)識別病理嗓音。針對單一分形維數(shù)在描述嗓音非線性方面的不足,引入分形和小波結(jié)合的小波leaders多重分形譜,并采用Chhabza算法求解小波leaders多重分形譜,通過非參數(shù)bootstrap統(tǒng)計估計參數(shù)置信區(qū)間。小波leaders多重分形譜能夠表征嗓音信號的局部奇異性統(tǒng)計分布情況,其參數(shù)在正常嗓音和病理嗓音間具有較大差異,病理嗓音譜寬較小,正常嗓音譜寬較大,正常嗓音多重分形特征更加明顯,小波leaders多重分形譜參數(shù)對病理嗓音的平均識別率為90.66%。傳統(tǒng)聲學(xué)參數(shù)無法很好的表征信號非平穩(wěn)特性,本文對嗓音在小波域進(jìn)行時頻分析,提出一種小波域能量譜參數(shù)GCWT,對病理嗓音進(jìn)行識別。對沿尺度軸方向的能量譜進(jìn)行多維高斯混合建模,并且將模型參數(shù)作為嗓音特征參數(shù)GCWT進(jìn)行病理嗓音識別,相對于傳統(tǒng)參數(shù),參數(shù)GCWT對病理嗓音具有比較好的識別效果,平均識別率為92.99%。由于參數(shù)GCWT維數(shù)較高,采用主成分分析和局部線性嵌入對特征參數(shù)GCWT進(jìn)行降維處理,并且提出了動態(tài)加權(quán)局部線性嵌入DWLLE降維方法,弱化稀疏采樣對降維的影響,有效保留了參數(shù)高維空間的幾何特性,降低了參數(shù)冗余,降維后的參數(shù)對病理嗓音的識別率最高達(dá)97.45%。
[Abstract]:With the development of society, communication between people is becoming more and more frequent. Language is an important bridge between people, but voice diseases lead to hoarseness and powerlessness, which seriously affect people's quality of life and social communication. Using acoustic analysis technology to study and analyze pathological voice signals can realize the objective evaluation of voice quality and has important significance for the diagnosis and treatment of laryngeal diseases. Wavelet transform can analyze the signal at different scales, multifractal spectrum can describe the local scale behavior of the signal in detail, and wavelet transform is a time-frequency analysis method, which can effectively reflect the energy distribution of voice in time scale plane. In this paper, the multifractal and energy spectrum parameters of voice wavelet domain are studied to identify the pathological voice. Aiming at the shortage of single fractal dimension in describing voice nonlinearity, wavelet leaders multifractal spectrum combined with fractal and wavelet is introduced, and wavelet leaders multifractal spectrum is solved by Chhabza algorithm. Parameter confidence interval is estimated by nonparametric bootstrap statistics. Wavelet leaders multifractal spectrum can characterize the statistical distribution of local singularity of voice signal. The parameters of wavelet leaders multifractal spectrum are different between normal voice and pathological voice, the spectrum width of pathological voice is smaller, and the spectrum width of normal voice is larger. The multifractal feature of normal voice is more obvious, and the average recognition rate of wavelet leaders multifractal spectrum parameters for pathological voice is 90.66. The traditional acoustic parameters can not well characterize the non-stationary characteristics of the signal. In this paper, the time-frequency analysis of the voice in the wavelet domain is carried out, and a wavelet domain energy spectrum parameter GCWTis is proposed to identify the pathological voice. The multi-dimensional Gao Si hybrid modeling of energy spectrum along the scale axis is carried out, and the model parameters are used as the voice characteristic parameters to identify the pathological voice. Compared with the traditional parameters, the parameter Gao Si has a better recognition effect on the pathological voice. The average recognition rate was 92.99%. Due to the high dimension of parameter GCWT, the dimensionality reduction of characteristic parameter GCWT is performed by principal component analysis and local linear embedding, and a dynamic weighted locally linear embedding DWLLE method is proposed to reduce the dimension, which weakens the effect of sparse sampling on dimensionality reduction. The geometric characteristics of the high-dimensional space are effectively preserved and the redundancy of the parameters is reduced. The recognition rate of the parameters after dimensionality reduction is 97.45%.
【學(xué)位授予單位】：蘇州大學(xué)
【學(xué)位級別】：碩士
【學(xué)位授予年份】：2016
【分類號】：R767.92

【相似文獻(xiàn)】

相關(guān)期刊論文 前8條

1 黃海英,黃建波,李志尊;多重分形在旋轉(zhuǎn)機(jī)械故障診斷中的應(yīng)用[J];現(xiàn)代制造工程;2004年09期

2 余正鋒;王俊;;早搏信號的小波模極大多重分形分析[J];生物醫(yī)學(xué)工程學(xué)雜志;2011年05期

3 王堅;田社平;顏國正;;結(jié)腸道壓力數(shù)據(jù)的多重分形分析及熵解釋[J];中國生物醫(yī)學(xué)工程學(xué)報;2008年04期

4 王俊,寧新寶,陳穎;同步12導(dǎo)聯(lián)ECG的多重分形分布[J];南京大學(xué)學(xué)報(自然科學(xué)版);2004年01期

5 陳穎;Martyn P.Nash;寧新寶;王業(yè)琳;David J.Paterson;王俊;;缺血時三維心室外膜Map多重分形的變化[J];科學(xué)通報;2005年22期

6 唐芳;薛付忠;王潔貞;康殿民;王志強(qiáng);胡平;張玉軍;;疾病空間分布的“等值線-面積”多重分形模型及其應(yīng)用[J];山東大學(xué)學(xué)報(醫(yī)學(xué)版);2006年11期

7 王堅;田社平;顏國正;;結(jié)腸道壓力數(shù)據(jù)的多重分形分析[J];中國計量學(xué)院學(xué)報;2005年04期

8 ;[J];;年期

相關(guān)會議論文 前10條

1 寧新寶;王俊;;生理信號中的多重分形[A];中國生物醫(yī)學(xué)工程學(xué)會第六次會員代表大會暨學(xué)術(shù)會議論文摘要匯編[C];2004年

2 謝淑云;鮑征宇;;地球化學(xué)場的分形與多重分形特征[A];中國礦物巖石地球化學(xué)學(xué)會第九屆學(xué)術(shù)年會論文摘要集[C];2003年

3 林勇;趙國慶;喻祖國;;多重分形分析在經(jīng)濟(jì)中的應(yīng)用[A];2002年中國管理科學(xué)學(xué)術(shù)會議論文集[C];2002年

4 那木吉拉;陳志軍;;戈壁覆蓋區(qū)遙感信息提取閾值確定的多重分形方法探討[A];第十二屆全國數(shù)學(xué)地質(zhì)與地學(xué)信息學(xué)術(shù)研討會論文集[C];2013年

5 謝平;劉彬;王霄;林洪彬;;多重分形熵及其在非平穩(wěn)信號分析中的應(yīng)用研究[A];第七屆青年學(xué)術(shù)會議論文集[C];2005年

6 鄭婷婷;毛軍軍;吳濤;宋杰;;多重分形和商空間理論在蛋白質(zhì)結(jié)構(gòu)類分析中的應(yīng)用[A];第二十六屆中國控制會議論文集[C];2007年

7 蔣志強(qiáng);周煒星;;中國證券市場的多重分形特征[A];中國數(shù)學(xué)力學(xué)物理學(xué)高新技術(shù)交叉研究學(xué)會第十二屆學(xué)術(shù)年會論文集[C];2008年

8 吳飛;王翠香;;隨機(jī)數(shù)的幾種產(chǎn)生方法及其在多重分形模型中的應(yīng)用研究[A];中國地球物理第二十一屆年會論文集[C];2005年

9 曹廣喜;史安娜;;上海股市收益的多重分形特征的實證研究:一種新的MFDFA方法[A];第八屆中國管理科學(xué)學(xué)術(shù)年會論文集[C];2006年

10 張穎;路影;;時尚商品價格時間序列的多重分形分析[A];2007中國控制與決策學(xué)術(shù)年會論文集[C];2007年

相關(guān)博士學(xué)位論文 前10條

1 倪黃晶;人腦磁共振數(shù)據(jù)的多重分形研究[D];南京大學(xué);2015年

2 范一飛;基于分形和多重分形的海面微弱目標(biāo)檢測方法研究[D];西安電子科技大學(xué);2016年

3 謝淑云;地球化學(xué)場的分形與多重分形特征[D];中國地質(zhì)大學(xué);2003年

4 苑寶;多重分形理論及其在中國股票市場中的應(yīng)用研究[D];東北大學(xué);2007年

5 李大輝;網(wǎng)絡(luò)視頻流量的多重分形建模與多步預(yù)測研究[D];哈爾濱工程大學(xué);2012年

6 王訪;作物診斷的葉片圖像多重分形方法與建模[D];湖南農(nóng)業(yè)大學(xué);2013年

7 陳洪濤;石油期貨市場多重分形特征及相關(guān)問題研究[D];南京航空航天大學(xué);2009年

8 高歆;基于小波變換的二維地球化學(xué)景觀多重分形建模[D];中國地質(zhì)大學(xué)（北京）;2010年

9 于雷;基于多重分形頻譜技術(shù)的木材CT檢測及其三維結(jié)構(gòu)重建[D];東北林業(yè)大學(xué);2010年

10 陳存;材料壓縮變形中的數(shù)學(xué)問題研究[D];鄭州大學(xué);2015年

相關(guān)碩士學(xué)位論文 前10條

1 鄧強(qiáng)強(qiáng);基于Agent的股市建模與市場分形特征研究[D];南京信息工程大學(xué);2015年

2 韓彥;中國境內(nèi)外股市間的多重分形交叉相關(guān)性研究[D];南京信息工程大學(xué);2015年

3 郭凌俐;黃土區(qū)露天煤礦排土場重構(gòu)土壤孔隙分布的多重分形表征[D];中國地質(zhì)大學(xué)(北京);2015年

4 雷璽;多重分形在海洋波高數(shù)據(jù)分析中的應(yīng)用[D];中國海洋大學(xué);2015年

5 顏天曉;基于多重分形與灰色模型的漸開線圓柱齒輪接觸壽命預(yù)測[D];太原理工大學(xué);2016年

6 廖建棟;新疆惠井子南山地球化學(xué)異常信息的識別與綜合評價[D];西北師范大學(xué);2015年

7 侯捷;多重分形在時間序列中的幾個應(yīng)用[D];江蘇大學(xué);2016年

8 陳艷茹;多重分形視角下中國股市波動建模研究[D];福州大學(xué);2014年

9 常靜雅;小波域多重分形和能量譜參數(shù)的病理嗓音識別研究[D];蘇州大學(xué);2016年

10 洪維嘉;POTTS模型的非線性金融系統(tǒng)及統(tǒng)計分析[D];北京交通大學(xué);2016年

，

本文編號：2054849