實(shí)驗(yàn)3-2完成作品語音識(shí)別

第1 語音信號(hào)預(yù)處 信號(hào)預(yù)濾波和A/D轉(zhuǎn) 信號(hào)預(yù)加 信號(hào)分幀和加 語音信號(hào)的短時(shí) 分幀和加 信號(hào)端點(diǎn)檢 常用時(shí)域聲學(xué)參 端點(diǎn)檢測(cè)方 實(shí)驗(yàn)仿真及分 小結(jié)與展 第2 語音特征參數(shù)提 語音特征參 .美爾倒譜系數(shù) LPCC和MFCC對(duì) 特征降維方 奇異值分解法 主成分分析法 獨(dú)立分量分析法 特征選擇方 小結(jié)與展 第1章語音信號(hào)預(yù)處§1.1A/D分析人聲頻譜規(guī)律可以發(fā)現(xiàn)語音信號(hào)中濁音的頻譜在4Hk以上會(huì)快速清音正好相反，4kHz8Hk頻段都會(huì)出現(xiàn)上升。而正常語音在一般情況下都包含有清音、濁音。所以在進(jìn)行信號(hào)分析時(shí)4kHz以上頻段仍屬于處理范圍。另一方面，現(xiàn)實(shí)環(huán)境中原始語音信號(hào)不可避100Hk3.4kHz的帶通濾波器。fsfm兩倍時(shí)，原始信號(hào)中的信息一般得以較好保留。在實(shí)際應(yīng)5~10倍。采樣后對(duì)信號(hào)進(jìn)行離散化，這一過程中會(huì)給信號(hào)§1.2理特性，語音信號(hào)的平均功率在經(jīng)過聲門和口鼻輻射后，高頻部分大800Hz以上按6dB/倍§1.3 圖1- 1-21-2§1.4、目的是將語音段與非語音段區(qū)分開來方便后續(xù)的壓縮和分析提高系統(tǒng)效率研究表明，、 Energy幅度（Short-timeAverageMagnitude）及短時(shí)過零率（Short-timeZero-crossingRate）等均是時(shí)域音信號(hào)，指信號(hào)波形通過時(shí)間軸；對(duì)于離散時(shí)間語音信號(hào)，則相鄰兩個(gè)采樣點(diǎn)的代數(shù)符號(hào)，x(n)ZnZn定義為： 清音由于聲帶不振動(dòng)，僅靠空氣在口腔中摩擦，沖擊或來，能量較小。MtMn，En（法稱為雙門限算法。經(jīng)典雙門限算法的檢驗(yàn)步驟如圖1-3所示：1-3Mt，信號(hào)段落作為礎(chǔ)音段，然后設(shè)定一個(gè)短時(shí)過零率閾值Zt，以礎(chǔ)音段的端點(diǎn)為邊界，分別向Zt的交點(diǎn)對(duì)應(yīng)的語音幀作為語音段最終的端點(diǎn)。 實(shí)驗(yàn)在自然環(huán)境下利用Windows自帶“機(jī)”程序原始語音信號(hào)。對(duì)信號(hào)進(jìn)行分幀，20ms。由于短時(shí)能量和短時(shí)平均幅度的作用類似，在仿真實(shí)驗(yàn)中僅采用短時(shí)能10§1.5第2章語音特征參數(shù)提（MFCC§2.1 線性預(yù)測(cè)倒譜系數(shù)LPCC系數(shù)是線性預(yù)測(cè)系數(shù)（LPC）在倒譜中的表示，它主要反映了聲道發(fā)音模型。語音信預(yù)測(cè)當(dāng)前或未來的采樣值。即第k點(diǎn)或k+n點(diǎn)的采樣值通過之前的N個(gè)采樣值線性組合來近。 .美爾倒譜系數(shù)與線性倒系L反映模型同美e譜系數(shù)重于描人耳對(duì)音的非線知特性實(shí)驗(yàn)表，人耳不同頻的音感知能是不同。以100z為標(biāo)，低于100Hz000Hzel刻度來記這種化。美倒譜系（）就是建立在el刻度上的。的主要思路是通過種變換式把線頻譜轉(zhuǎn)為于el頻率的非性頻譜將結(jié)果射到倒域美爾倒譜系數(shù)（） LPCCMFCC用于對(duì)實(shí)時(shí)性要求較高的語音信號(hào)處理系統(tǒng)。另外，LPCC參數(shù)假設(shè)模型為全極點(diǎn)模型，這對(duì)元音有較好的描述能力。但對(duì)于輔音，全極點(diǎn)模型假設(shè)并不貼切，故LPCC參數(shù)對(duì)輔音的描述效果不甚理想。另一方面，由于LPCC參數(shù)的線性特性，對(duì)語音信號(hào)高頻部分的噪音干擾抗性很LPCC參數(shù)的使用。MFCCMel頻標(biāo)，這符合語音信號(hào)的特性，使得信號(hào)低頻部分得以力。并且，MFCCLPCC§2.2 奇異值分解法本個(gè)數(shù)；降維之后是r250的特征矩陣，r為降維之后的每一個(gè)樣本的特征維度數(shù)。 主成分分析法主成分分析（principalcomponentysis，PCA）是將多個(gè)變量通過線性變換以選出較少個(gè)DN，所以減少計(jì)算量，第（1）X1N

XT

的特征值和特征向量。設(shè)該矩陣特征值i對(duì)應(yīng)的特征值為vi，可以證明i 獨(dú)立分量分析法PCA方法用到的統(tǒng)計(jì)信息僅有中值和方差，因此只能充分描述指數(shù)型概率分布模型，如分布。當(dāng)所的特征的概率分布不滿足分布或指數(shù)型概率分布時(shí)，PCA將會(huì)失效。在非（ICAICAX,轉(zhuǎn)換成獨(dú)立分量sWxFa