基于小波包分解的MFCC在复杂环境声音识别中的应用

发布时间：2021-06-16 09:25

　　在现今,人工智能的发展越来越快,声音识别作为其中的一种技术自然也是逐渐成熟。但在复杂场景中会存在噪声干扰而导致识别难度加大,而在这些场景（例如城市）中的声音一般包含着许多信息,如何对于这部分声音进行识别便成一个需要被克服的问题。在复杂场景下,面对形形色色的声音更是对传统声音识别模型的一个极大的挑战。本文采用了google的声学数据集中存在的孩童玩闹声、狗吠声、海浪声、鸣笛声、链锯声以及电钻声进行了识别分类,本文主要采用模板匹配法,以预处理、特征提取、模型分类识别的步骤进行声音识别,其中预处理方面将通信技术中的能量检测技术引入声音识别领域;特征提取方面提出了一种基于小波包分解的MFCC特征提取方法;模型分类方面改良了卷积神经网络模型针对一维的声音信号的特征图输入方法,减少计算时间。本文主要做了以下工作:（1）在预处理方面,以声音信号中的信号特性,对比信号检测中的单节点频谱感知算法中的单节点频谱感知技术、匹配滤波检测以及能量检测,包括并不限于三者之间的难易程度、简单程度以及优缺点,最终采用能量检测来进行预处理。能量检测预处理方法将声音当成信号处理,首先将目标信号输入滤波器中,对通过滤波器的... 

【文章来源】：南宁师范大学广西壮族自治区

【文章页数】：58 页

【学位级别】：硕士

【部分图文】：

ROC 特性曲线

具象地描述也就是本曲线与十字坐标轴所围成地图形面积大小，在指结论：好的识别方法需要尽量提高检测概率的同时让虚警概率和漏检此需要做的就是在具体环境当中找到曲线上的一点使得其虚警概率较概率。

图 2-6 自适应的能量检测流程图2.3 本章小结章介绍了在通信技术中的单节点频谱感知技术，并注意介绍了其中的三种技术：检测、匹配滤波检测、能量检测，并且逐一介绍了这三种的方法的检测流程以及

【参考文献】：
期刊论文
[1]基于多随机森林的低信噪比声音事件检测[J]. 李应,印佳丽.  电子学报. 2018(11)
[2]基于卷积神经网络的声音场景识别[J]. 陈秋菊.  信息与电脑(理论版). 2018(18)
[3]浅析认知无线电的频谱感知技术[J]. 张俊强.  现代信息科技. 2018(05)
[4]基于人耳掩蔽特性的语音增强数字助听器研究[J]. 朱慧敏.  国外电子测量技术. 2018(05)
[5]基于声纹识别技术的Android设备声音功能自动化测试系统[J]. 李嘉伟,胡海龙,林志贤.  信息技术与网络安全. 2018(05)
[6]基于BP神经网络的音乐分类模型[J]. 刘明星.  现代电子技术. 2018(05)
[7]结合语音融合特征和随机森林的构音障碍识别[J]. 李东,张雪英,段淑斐,闫密密.  西安电子科技大学学报. 2018(03)
[8]基于去噪技术的DSP语音识别系统设计[J]. 韦高梧,冯祖勇.  传感器与微系统. 2017(01)
[9]噪音环境下基于时-频特征的生态环境声音的分类（英文）[J]. 余清清.  计算机与数字工程. 2017(01)
[10]人工耳蜗的环境声识别研究[J]. 张晓薇,孟庆林,唐国芳,郑能恒,李霞.  声学学报. 2016(06)

硕士论文
[1]噪声环境下说话人识别的鲁棒性研究[D]. 张洪冉.南京邮电大学 2018
[2]基于卷积神经网络的歌唱语音识别[D]. 吴兴铨.西南科技大学 2018
[3]基于听觉特性卷积神经网络的音乐分类方法研究[D]. 李增.华南理工大学 2018
[4]基于卷积神经网络的异常音频事件检测的研究[D]. 胡涛.安徽大学 2018
[5]噪声环境下基于深度学习的语音识别研究[D]. 李翔.武汉工程大学 2017
[6]说话人声纹识别的算法研究[D]. 李湾湾.浙江大学 2017
[7]基于声音信号处理的农业虫害识别系统[D]. 贾琪.山东大学 2016
[8]小波去噪和概率神经网络在发动机声信号识别中的应用[D]. 阚磊.重庆大学 2016
[9]行车噪声环境下的快速声学事件检测方法研究[D]. 朱强华.哈尔滨工业大学 2014
[10]复杂环境下高效端点检测算法研究及应用[D]. 雷文钿.厦门大学 2014



本文编号：3232817