智能分析方法在声音识别中的应用研究

摘要

随着大数据的不断发展，越来越多的多媒体数据充斥着我们的生活。声音作为多媒体数据中的重要组成部分，其中蕴含了大量的信息。通过对所收集的声音数据进行处理和分析，可以从中分析挖掘出对我们有用的信息。因此声音信号的处理和分析一直是国内外学者的研究热点，其中声音识别作为声音信号处理和分析的重要应用方向更是得到了广泛的研究。声音识别是提取待识别声音信号的声音特征并将其与样本声音特征进行匹配，从而得到待测声音和样本声音是否一致的判断。声音识别被广泛应用于说话人识别、音频资料检索、异常声音检测等众多领域。声音识别的研究关键包括预处理、特征提取、模式匹配等问题。本文主要针对特征提取和模式匹配问题展开了相关的研究。 首先对声音信号进行预处理，然后对声音信号的特征提取做了广泛的研究。描述了短时能量、线性预测倒谱系数（LPCC）、梅尔倒谱系数（MFCC）的提取方法。提出了基于相关距离Fisher比的组合参数提取算法，并通过仿真实现了短时能量、线性预测倒谱系数（LPCC）、梅尔倒谱系数（MFCC）以及组合参数的提取。 其次，为了提高声音识别系统的识别率，在比较了不同的智能分析方法之后采用改进的支持向量机（Support Vector Machine，SVM）作为本文的模式识别方法。因为同其他模式识别方法相比，支持向量机采用分类间隔最大的最优分类超平面来进行分类，从而实现结构风险最小化。核函数是支持向量机模型的核心机制，核函数类型以及参数的选择对支持向量机的分类准确度至关重要。本文采用遗传算法对 SVM 核函数的类型以及参数的选择方法进行改进，使SVM参数更加优化，从而提高声音识别的识别率。

目录

第一个书签之前

摘要

Abstract

第1章 绪论

1.1 研究的目的和意义

1.2 声音识别技术的基本介绍

1.2.1 声音识别的基本原理

1.2.2 声音识别系统组成

1.2.3 声音特征参数提取方法研究现状

1.2.4 声音识别模型研究现状

1.3 本文研究的主要内容

第2章 声音识别前期处理

2.1 采样和量化

2.2 预加重

2.3 分帧和加窗

2.4 短时能量分析

2.5 短时平均过零率

2.6 短时傅里叶变换

2.7 本章小结

第3章 声音信号特征提取方法研究

3.1 线性预测倒谱系数

3.1.1 线性预测编码LPC

3.1.2 线性预测倒谱系数LPCC

3.2.1 MFCC系数提取

3.2.2 MFCC差分系数的提取

3.3 LPMFCC参数提取

3.4 基于相关距离的Fisher准则的特征组合

3.4.1 Fisher准则

3.4.2 基于相关距离的Fisher准则

3.4.3 混合特征参数提取

3.5 本章小结

第4章 改进支持向量机的声音识别算法

4.1 支持向量机的基础理论

4.1.2 线性可分问题

4.1.2 线性不可分问题

4.1.3 非线性分类问题

4.2 核函数类型

4.3 基于遗传算法的SVM参数优化

4.2.1 惩罚因子

4.2.2 遗传算法的基本特点

4.2.3 遗传算法对SVM参数优化方法

4.4 改进SVM在声音特征识别中的应用

4.5 本章小结

第5章 实验结果及分析

5.1 实现过程

5.2 特征参数提取实验分析

5.3 SVM核函数实验分析

5.4 综合实验分析

5.5 本章小结

第6章 结论与展望

6.1 全文总结

6.2 展望

参考文献

攻读硕士学位期间发表的论文及参与科研情况

致谢