基于信息熵和神经网络的语音端点检测算法研究

摘要

语音端点检测是语音分析、语音合成和语音识别中的一个重要环节。在实际运用中，通常要求首先对系统的输入信号进行判断，准确的找出语音信号的起始点和终止点。这样才能采集到真正的语音数据，减少数据量和运算量，并减少处理时间。因此语音端点检测算法研究意义重大。 本文首先介绍了几种典型的语音端点检测算法。随后对三种语音端点检测算法进行研究。 算法一：在对信息熵原理理解的基础上，分析了语音信号与背景噪声的幅度熵及谱熵的差异，并根据这些差异进行了基于幅度熵和谱熵的语音端点检测算法研究，仿真实验结果表明该方法检测准确率较高。 算法二：在对信息熵语音端点检测研究的基础上，结合神经网络在模式分类方面的优越特性，提出了基于信息熵和神经网络的语音端点检测算法，该算法针对语音信号和背景噪声进行建模，把语音信号端点检测问题看作是对每帧信号进行分类，通过建立相应的模型，根据模型的匹配程度对每帧语音矢量进行划分，确定其属于语音或背景噪声。仿真实验表明，该算法在检测准确率上要优于信息熵语音端点检测算法，且避免了常规方法需要设置阈值门限这一难点。 算法三：语音信号端点检测研其本质是区分语音与背景噪声。语音与背景噪声的划分不是绝对的，分界处的语音信号有可能属于语音，也有可能是背景，因此语音端点检测属于边界分类模糊问题。而模糊技术在处理边界模糊问题上具有独特的优势，通过对语音数据的模糊化，结合对神经网络语音端点检测的研究，提出了基于模糊神经网络的语音端点检测算法。 仿真实验表明，该算法在检测准确率上是本文研究的三种算法中最高的，但该算法的缺点是算法复杂。

目录

文摘

英文文摘

声明

第一章绪论

1.1语音端点检测背景及意义

1.2语音端点检测研究现状及存在问题

1.3神经网络发展概况

1.4论文内容安排

第二章语音信号处理基础

2.1语音信号的特点与模型

2.2语音信号数字化

2.3语音信号预处理

2.3.1预加重

2.3.2加窗分帧

2.4语音信号分析

2.4.1短时时域分析

2.4.2频域分析

第三章常用的端点检测算法

3.1短时能量及过零率

3.2LPC倒谱特征

3.3隐马尔可夫模型(HMM)

3.4频带方差检测法

3.5本章总结

第四章基于信息熵的语音端点检测

4.1熵的基本概念

4.1.1信息量的定义

4.1.2离散信源的熵

4.1.3连续信源的熵

4.2基于幅度熵的语音端点检测

4.2.1算法的提出

4.2.2实验方法描述

4.3基于谱熵的语音端点检测

4.3.1算法的提出

4.3.2实验方法描述

4.4实验结果及分析

4.5本章总结

第五章基于信息熵和神经网络的语音端点检测

5.1神经网络的基本概念

5.1.1神经元

5.1.2网络的连接模式

5.1.3学习方式

5.1.4学习算法

5.2基于信息熵和BP神经网络的语音端点检测

5.2.1 BP神经网络结构

5.2.2 BP神经网络的学习过程

5.2.3算法的提出

5.2.4实验方法描述

5.2.5实验结果及分析

5.3基于信息熵和RBF神经网络的语音端点检测

5.3.1径向基函数网络的理论发展

5.3.2 RBF神经网络结构

5.3.3 RBF神经网络的学习过程

5.3.4算法的提出

5.3.5实验方法描述

5.3.6实验结果及分析

5.4本章总结

第六章基于信息熵和模糊神经网络的语音端点检测

6.1模糊神经网络与语音端点检测

6.1.1模糊集合

6.1.2模糊逻辑与神经网路

6.1.3模糊神经网络与语音端点检测

6.2基于信息熵和模糊BP神经网络的语音端点检测

6.2.1算法的提出

6.2.2实验方法描述：

6.2.3实验结果及分析

6.3基于信息熵和模糊RBF神经网络的语音端点检测

6.3.1算法的提出

6.3.2实验方法描述

6.3.3实验结果及分析

6.4本章总结

第七章总结与展望

参考文献

致谢

攻读学位期间发表的学术论文目录