Mel频率下语音信号深度频谱特征提取方法仿真

发布时间：2021-07-05 18:46

　　采用当前方法提取语音信号频谱特征时,不能有效去除语音信号中存在的噪声信号,提取得到的特征误差较大,存在抗干扰性能差和特征提取结果准确率低的问题。针对上述问题,提出Mel频率下语音信号深度频谱特征提取方法。对噪声信号进行经验模态分解,将分解得到的IMF分量进行门限域处理,通过对应的滤波方案去除语音信号中存在的噪声信号。采用Mel滤波器处理去噪后的语音信号,得到Mel频率的语音信号。利用线性预测系数描述Mel频率下的语音信号,并对其进行微分处理,将微分向量进行加权处理,根据一定的加权比例重组微分向量,利用语音信号深度频谱特征参数,完成Mel频率下语音信号的深度频谱特征提取。仿真结果表明,所提方法的抗干扰性能高、特征提取结果准确率高。 

【文章来源】：计算机仿真. 2020,37(05)北大核心

【文章页数】：5 页

【部分图文】：

三种不同方法的测试结果

为了进一步验证Mel频率下语音信号深度频谱特征提取方法的有效性,分别采用Mel频率下语音信号深度频谱特征提取方法(方法1)、基于MFCC的信号特征提取方法(方法2)、基于经验模态分解的语音信号频谱特征提取方法(方法3)提取语音信号的深度频谱特征,对比三种不同方法特征提取的准确率,测试结果如图3所示。分析图3(a)可知,采用Mel频率下语音信号深度频谱特征提取方法提取语音信号的深度频谱特征时,在多次迭代中提取语音信号深度频谱特征的准确率均在60%以上,高达90%。分析图3(b)可知,采用基于MFCC的信号特征提取方法提取语音信号的深度频谱特征时,在多次迭代中特征提取准确率在20%-60%之间波动,最高为60%。分析图3(c)可知,采用基于经验模态分解的语音信号频谱特征提取方法提取语音信号的深度频谱特征时,在多次迭代中的特征提取准确率均在30%以下。对比三种不同方法的测试结果可知,Mel频率下语音信号深度频谱特征提取方法的特征提取准确率较高,因为该方法采用Mel滤波器对语音信号进行滤波处理,并对提取得到的语音信号频谱特征参数进行二次特征提取,提高了语音信号深度频谱特征提取结果的准确率。

利用Mel滤波器完成去噪后信号的滤波处理,获得Mel频率的语音信号,为语音信号深度频谱特征的提取提供依据,减少提取语音信号深度频谱特征所用的时间。Mel滤波器如图1所示。设o(l)代表的是图1中第一个滤波器的中心频率;l(l)、u(l)分别代表的是上限和下限频率,上限频率、中心频率和下限频率之间的关系式如下

【参考文献】：
期刊论文
[1]面向情感语音识别的非线性几何特征提取算法[J]. 宋春晓,孙颖.  计算机工程与应用. 2017(20)
[2]基于聚合经验模态分解的情感语音特征提取[J]. 张乐,张雪英,孙颖,张卫.  计算机工程. 2017(08)
[3]基于MFCC的语音情感特征提取研究[J]. 李虹,徐小力,吴国新,丁春艳,赵学梅.  电子测量与仪器学报. 2017(03)
[4]音色变换音频信号的篡改检测技术研究[J]. 何朝霞,潘平,罗辉.  中国测试. 2017(02)
[5]人体语音特征提取身份优化验证仿真研究[J]. 乔玲玲,郭秀婷.  计算机仿真. 2017(02)
[6]低信噪比环境下的语音识别方法研究[J]. 王群,曾庆宁,谢先明,郑展恒.  声学技术. 2017(01)
[7]一种抗特征分析替换攻击的数字语音取证算法[J]. 王静,刘正辉,祁传达,王宏霞.  铁道学报. 2016(06)
[8]基于MUSIC/MNM谱估计的鲁棒语音特征提取[J]. 张毅,汪培培,罗元.  信息与控制. 2016(03)
[9]基于稀疏表示权重张量的音频特征提取算法[J]. 林静,杨继臣,张雪源,李新超.  计算机应用. 2016(05)
[10]一种语音特征提取中Mel倒谱系数的后处理算法[J]. 张毅,谢延义,罗元,席兵.  智能系统学报. 2016(02)



本文编号：3266619