在高噪声环境下语音信号的提取与识别

摘要

高噪声环境下的语音识别是一个很重要的课题，在许多场合有广泛的应用。现有的语音识别系统对于清晰语音有着令人满意的识别结果，但在许多实际环境中，特别是在高背景噪声存在的情况下，它们的性能将会大幅度地下降，因为噪声的影响使得原来纯净语音的模型对于含噪语音来说失配，从而造成识别性能的急剧下降。这也是语音识别系统不能商业化的主要原因之一。解决噪声背景下的语音识别问题主要有三种方法，即采用抗噪声的语音特征、语音增强、语音模板的噪声补偿。
　　 本文主要围绕语音增强方法来解决高噪声环境下的语音识别问题，采用小波变换进行语音信号去噪预处理。小波分析由于能同时在时域和频域中对信号进行分析，所以它能有效地实现对信号的去噪。由于可用于去噪的小波母函数是一个集合，在实际应用中采用不同的小波函数、不同的阈值选择规则、不同的阈值调整原则会得到不同的去噪效果。本文对各种方法进行仿真实验分析，实验结果显示采用5层db3小波、heursure阈值选择规则及first layer阈值调整原则对语音信号进行去噪处理能得到更优的去噪效果。为了得到有效的语音段，本文采用短时能量和短时平均过零率相结合方法来进行端点检测，这种算法能够结合短时能量和短时平均过零率的优点，使得判断语音信号的起点和终点更加的准确，降低出现漏检的现象。本文在传统的DTW语音模式匹配的基础上，通过搜索宽度限制和整体路径约束等方法对其进行改进，使得系统能够在识别率几乎不受影响的情况下实现快速的识别响应，尤其是对于小词汇量和特定人识别，可以有效的提高系统识别率和响应速度。

目录

文摘

英文文摘

声明

第一章 绪论

1.1 研究背景和意义

1.2 语音识别的发展过程及其现状

1.3 语音识别的分类

1.4 噪声背景下的语音识别

1.5 本文主要研究内容及章节安排

第二章 语音识别的基本理论

2.1 语音技术的基础知识

2.2 语音信号的时域分析

2.3 语音信号的频域分析

2.4 语音识别系统

2.5 噪声对语音识别系统的影响

2.5.1 噪声对语音特征的影响

2.5.2 噪声对语音信号端点检测的影响

2.6 本章小结

第三章 小波技术在语音信号处理中的应用

3.1 引言

3.2 小波去噪的基本原理

3.2.1 一维信号去噪的步骤

3.2.2 噪声信号的小波分析特性

3.2.3 一维小波分析对平稳信号的去噪

3.2.4 一维小波分析对非平稳信号的去噪

3.3 小波去噪的方法

3.3.1 模极大值检测法

3.3.2 屏蔽去噪法

3.3.3 阈值去噪法

3.4 阈值处理方法

3.5 几种常用的小波

3.5.1 Haar小波

3.5.2 Daubechies(dbN)小波系

3.5.3 SymletsA(symN)小波系

3.5.4 Biorthogonal(biorNr.Nd)小波系

3.5.5 Meyer(meyr)小波

3.5.6 Mexican Hat Wavelet(mexh)小波

3.5.7 Morlet(morl)小波

3.5.8 Coiflet(coifN)小波系

3.6 小波去噪的性能评价标准

3.6.1 信噪比(SNR)

3.6.2 信噪比增益(A)

3.6.3 均方根误差(RSME)

3.7 仿真实验

3.7.1 仿真实验的思路

3.7.2 仿真实验使用的函数

3.8 仿真实验的步骤

3.9 实验结论

3.10 小结

第四章 特征参数提取与匹配

4.1 语音信号特征参数提取

4.1.1 线性预测分析

4.1.2 线性预测倒谱系数

4.1.3 美尔频率倒谱系数

4.2 模板匹配技术

4.2.1 相似性度量

4.2.2 动态时间规整(DTW)

4.2.3 DTW算法的改进

4.3 特征模板训练

4.4 小结

第五章 识别算法仿真

5.1 短点检测及仿真

5.2 DTW算法的实现

5.3 改进的DTW算法与传统的DTW算法的比较

第六章 总结与展望

6.1 总结

6.2 展望

参考文献

攻读硕士期间取得的成果

致 谢