基于语音信号特征参数提取的同模板匹配算法的综合分析及应用

发布时间：2017-09-22 16:36

  本文关键词：基于语音信号特征参数提取的同模板匹配算法的综合分析及应用

  更多相关文章： 语音信号 线性预测倒谱系数 梅尔频率倒谱系数 短点检测 特征提取 说话人识别 语音识别

【摘要】：语音信号的处理是为了让机器能听懂人的声音,最根本的目的是属于作为人或者说是作为人的自然的重要属性,其原理是采样原有的语音波形,然而人的语音中包括很多元素,有我们需要的,也有我们不需要的,这就要求我们需要提取我们需要研究的部分进行处理。由于在现在的成熟技术当中,相比于其他的技术具有不可比拟的方便性、价格低廉以及支持远距离应用等优势,在应用方面具有广阔的应用背景。已经广泛应用于各个方面,可谓无孔不入,既有军用的,也有民用的,比如军用方面涉及到军队、国防、军事通信。随着技术的愈加进步,语音信号的处理成为人类日常生活工作中普及率非常大的可以进行身份认证和识别的主要方式和实现手段,人们对于理论研究及相关的产品开发越来越受到研究人员的重视。语音信号的特征提取是语音信号分析当中的关键,也是最为重要的一个环节,是相关领域和研究方向的重点所在。在实际应用当中,说话人识别可以在不同的环境下,甚至是恶劣的环境下可以进行特征的提取,这对我们在实验当中会造成一定的麻烦。所以在进行特征提取过程中不仅可以提取语音信号的信息、具有更好的稳定性且具有更为理想的特征参数,这是我们所面临的问题所在。本文分别作了关于两组语音信号特征算法的改进及检测,第一个实验是基于LPCC和MFCC的文本无关的混合特征提取算法,综合了特征参数算法的优点以及差分系数的提取,提高了系统的识别率。第二个实验是基于动态时间规划和改进端点检测的算法的孤立词识别系统的实现,用说话人发音“0-9”进行数据的采样和分析,结果证明改进的算法相比于传统的DTW算法具有更好的识别率和识别速度。
【关键词】：语音信号 线性预测倒谱系数 梅尔频率倒谱系数 短点检测 特征提取 说话人识别 语音识别
【学位授予单位】：昆明理工大学
【学位级别】：硕士
【学位授予年份】：2015
【分类号】：TN912.3
【目录】：

• 摘要5-6
• Abstract6-11
• 第一章 绪论11-21
• 1.1 课题的研究背景和意义11
• 1.2 研究背景11-12
• 1.3 现状和研究背景12-16
• 1.3.1 说话人识别的法展现状12-14
• 1.3.2 说话人识别的难点14-16
• 1.4 说话人识别的机制16-19
• 1.4.1 说话人识别的基本流程图介绍16-17
• 1.4.2 语音信号的特征参数17-19
• 1.5 本文的工作安排19-21
• 第二章 语音信号的基本理论21-45
• 2.1 基本概念21-22
• 2.1.1 人的发声音机理21
• 2.1.2 人的发声分类21-22
• 2.2 语音信号的基本模型分析22-25
• 2.2.1 语音信号的数字模型22
• 2.2.2 语音信号的声学模型22-25
• 2.3 说话人识别的概述25-28
• 2.3.1 发音原理25-27
• 2.3.2 说话人识别系统的性能评价标准27
• 2.3.3 说话人识别技术的应用27-28
• 2.4 语音信号的预处理28-36
• 2.4.1 语音信号的采集以及量化28-30
• 2.4.2 预加重处理30
• 2.4.3 信号帧数分离和加窗30-33
• 2.4.4 语音信号的端点检测33-34
• 2.4.5 端点检测算法34
• 2.4.6 端点检测算法的改进34-36
• 2.5 语音信号模型的分析36-43
• 2.5.1 说话人模型的类别36
• 2.5.2 VQ(矢量量化)模型36-41
• 2.5.3 高斯混合模型41-42
• 2.5.4 人工神经网络模型42-43
• 2.6 本章总结43-45
• 第三章 说话人特征提取算法的分析及研究45-57
• 3.1 常用的特征参数提取的分析45-50
• 3.1.1 常见的特征参数提取方法介绍45
• 3.1.2 线性预测倒谱系数(LPCC)的基本概念45-46
• 3.1.3 LPCC特征参数分析46
• 3.1.4 线性预测倒谱系数的特征参数提取46-50
• 3.2 梅尔倒谱系数算法的基本原理50-55
• 3.2.1 梅尔倒谱系数的提取过程51-55
• 3.3 本章小结55-57
• 第四章 语音信号识别算法原理介绍57-67
• 4.1 概述57-58
• 4.2 动态时间规整算法58-62
• 4.2.1 动态时间规整算法的介绍58-60
• 4.2.2 改进的动态时间规整算法60
• 4.2.3 放宽端点限制60-62
• 4.3 高斯混合模型62-66
• 4.3.1 高斯混合模型的概述62-63
• 4.3.2 高斯混合模型的原理63-64
• 4.3.3 高斯混合模型的训练64-66
• 4.5 本章总结66-67
• 第五章 具体的实验及计算机仿真67-85
• 5.1 基于LPCC和MFCC的混合特征参数提取的算法改进67-75
• 5.1.1 改进算法的原理分析67
• 5.1.2 语音信号的预处理67
• 5.1.3 线性预测倒谱系数分析67-68
• 5.1.4 MFCC参数的提取68-69
• 5.1.5 LPCC和MFCC的特征参数提取的原理及分析69-70
• 5.1.6 实验及仿真70-75
• 5.2 基于DTW改进算法的孤立词识别系统的分析及研究75-84
• 5.2.1 改进的孤立词识别系统的概述75
• 5.2.2 孤立词识别系统的模型建立75-76
• 5.2.3 孤立词的预处理过程分析76-80
• 5.2.4 语音信号的特征提取80-82
• 5.2.5 动态时间规整的算法改进82-83
• 5.2.6 实验及仿真83-84
• 5.3 本章小结84-85
• 第六章 论文小结85-87
• 致谢87-89
• 参考文献89-93
• 附录 (攻读硕士学位期间论文)93

【参考文献】

中国期刊全文数据库 前4条

1 李玉萍;朴春俊;韩永成;;一种改进的语音信号端点检测方法研究[J];国外电子测量技术;2008年01期

2 陈孟元;;基于改进型DTW算法和MFCC的语音识别[J];安徽工程大学学报;2014年01期

3 潘丹青;;一种改进的语音端点特征检测方法[J];桂林航天工业学院学报;2014年03期

4 李冰;程建政;刘康;程利;;基于DTW的孤立词说话人识别研究[J];数字技术与应用;2013年10期

中国硕士学位论文全文数据库 前2条

1 苏敏发;基于语音识别的家用服务机器人控制系统[D];广东工业大学;2014年

2 路娜;孤立词语音识别系统的研究与设计[D];曲阜师范大学;2014年

，

本文编号：901903