改进的ZCPA语音识别特征提取算法研究

摘要

目前大多数语音识别系统在静音环境下具有较高的识别率，但在噪声环境下，系统的性能会严重下降，为了使语音识别系统实用化，抗噪语音识别研究具有重要意义。 人耳具有很强的识别能力，即使在噪声环境下也如此。因此研究人耳的听觉特性，进行语音特征参数的提取，有利于提高系统的鲁棒性。 本文围绕抗噪语音识别这个中心，完成了以下研究工作。首先实现了具有过零峰值幅度(ZCPA：Zero-crossingwithPeakAmplitude)特征的语音识别系统，它是基于人耳的听觉模型建立起来的。该模型通过分析和计算语音信号相邻上升过零点间的间隔，并将之分配到对应的频率箱，以此反映信号的频率信息；再通过检测相邻上升过零点间的峰值幅度并进行非线性压缩，对频率箱幅度进行加权。论文分析了该系统的抗噪性能，通过实验证明了这种系统的抗噪性能优于常用的由LPCC，MFCC作为识别特征的系统性能。 接着，论文以上述系统为基础，提出了改进ZCPA特征，即组合差分ZCPA特征。该特征利用了语音差分信号的特性，增加信号差分信息到ZCPA特征中。新特征能提取叠加在低频中的高频信息，一定程度上弥补了ZCPA特征的不足，获得了改进的实验结果。 本文同时对识别系统的前端滤波器进行了研究。提出使用Bark小波滤波器代替FIR滤波器。由于大多数小波，无论是二进小波、小波包还是M带小波，其频域的划分都是一种倍频程关系，这与人耳的临界频带的划分相差很大。因此，若有一种小波能按照临界带宽划分频带，则这样的小波更符合人耳对声音的感知。Bark小波就是这样一种小波，它按照临界带宽来非均匀地划分频带，更接近人耳对声音频率的感知。构造Bark小波的基本思想是：所选择的小波母函数在Bark域满足时间一带宽积最小，即为Bark域的高斯函数；母小波在Bark域的带宽相等。论文分析了该小波的分解和重构性质，给出了其时域和频域特性以及Bark小波滤波器用于前端处理的原理，仿真实现了基于Bark小波滤波器和ZCPA特征的语音识别系统，获得了改进后的结果，提高了系统的识别率。

目录

文摘

英文文摘

独创性声明及关于论文使用授权的说明

第一章绪论

1.1语音识别概述

1.1.1语音识别及其应用

1.1.2语音识别的发展过程及现状

1.1.3目前语音识别面临的困难

1.2本课题的研究背景

1.3本文所做的工作和文章的安排

第二章听觉特性及小波应用简介

2.1听觉特性简介

2.1.1听觉系统

2.1.2耳蜗的信号处理机制

2.1.3听觉的感受性及掩蔽效应

2.1.4 临界带宽与频率群

2.2听觉模型研究概述

2.3小波及其在语音信号处理中的应用简介

2.3.1小波介绍

2.3.2小波的发展

2.3.3小波在语音信号处理中的应用

第三章基于ZCPA特征的语音识别系统

3.1语音识别系统概述

3.1.1预处理

3.1.2特征提取

3.1.3模式匹配

3.2 ZCPA特征提取的原理介绍

3.2.1 ZCPA特征提取的原理框图

3.2.2 ZCPA中滤波器组的设计

3.2.3过零检测

3.2.4强度信息的提取和频率的合成

3.2.5时间规整和幅度规整

3.3 ZCPA特征的抗噪性能分析

3.3.1噪声对振幅的影响

3.3.2噪声对频率的影响

3.4 ZCPA的实验结果及结论

3.4.1实验参数设置

3.4.2使用BP算法的识别结果

3.4.3使用HMM的识别结果

3.5 ZCPA特征的改进

3.5.1组合差分信息的ZCPA特征提取原理

3.5.2实验结果和结论

第四章Bark小波及其在语音识别中的应用

4.1引言

4.2小波及小波变换

4.2.1小波的定义

4.2.2连续小波变换

4.2.3傅立叶变换和小波变换

4.2.4小波的多分辨率分解

4.3 Bark小波及其变换的引入

4.3.1 Bark小波的引入

4.3.2 Bark小波及其变换

4.3.3 Bark小波的分析

4.4基于Bark小波的语音识别

4.4.1 Bark小波滤波器与FIR滤波器的比较

4.4.2 Bark小波滤波器的设计

4.4.3 Bark小波变换实现滤波的具体流程

4.4.4 Bark小波用于识别系统的实验结果

4.4.5 Bark小波滤波器和CZCPA的结合实验

第五章总结与展望

5.1本文总结

5.2系统的局限性及展望

结束语

参考文献

致谢

攻读研究生期间发表的论文