机过程,但在的分析帧内可以近似看成是平稳的如果能从带噪语音的短时谱中估计出纯净语音的短时谱,则可达到增强的目的。由于人耳对语音信号相位的感受不敏感,所以只需估计出干净语音的幅度,然后借用带噪语音的相位近似代替干净语音的相位,再进行傅里叶反变换就可得到增强的语音。第章语音端点检测的相关算法幅度谱估计噪声特性图语音短时谱估计原理图图中是的傅里叶系数,是傅里叶系数的估计值。般情况下前十帧信号为无语音段,用最开始的十帧信号的噪声来估计整个语音段的噪声。以加性噪声为代表进行分析,则干净语音噪声带噪语音三者之间的加性模型满足。其中带噪语音信号,为纯净语音,表示噪声对式进行傅立叶变换则相应的得到,则有表示对应的带噪语音干静语音和噪声的功率谱表示和的复共扼。按照开始的假设,干静语音和噪声是不相关的,所以,和两者的乘积为零,则式可以简化为由于平稳噪声的功率谱在发声前和发声期基本没有变化,可以通过发音前的语音帧来估计噪声的功率谱,于是,可以从带噪语音的功率谱中估计出干净语音的功率谱。为避免出现负功率,减谱时,如果小于则令为零,即通常用最开始十帧信号的平均功率谱来近似代替,通过燕山本科生毕业设计论文开方,则可以得到。对进行反傅里叶变换,就可以得到降噪后的语音信号。经去噪处理后的语音再结合其它特征进行端点检测。谱减法进行语音增强是较为传统的方法,它对于整个语音段采用减去相同噪声功率谱,这样处理的增强效果不是很理想,因为语音的能量般集中在些频段,在这些频段内语音幅度较高,所以,使用谱减法进行增强后可能仍然会有较大的残余噪声,如果这些噪声没有消除掉的话就会产生纯音噪声。对于多特征端点检测还有使用短时能频积检测的方法,短时能频积是短时能量与相应的短时过零率的乘积,利用短时能频积进行检测结果比单独用短时能量或过零率的检测效果更好。使用多种特征进行语音端点检测成为这方面研究的种趋势,文献提出种方法,综合采用了语音信号中的个相互之间独立性强的特征短时能量倒谱距离能量谱方差和能量熵特征,有效地改进传统的基于单语音特征方法的缺陷。文献提出了使用六种能量特征全能量听觉频率范围的能量高频噪声峰值误差能量和噪声滤波后的能量。文献采用另种应用语音的多个特征参量的语音端点检测算法,采用的语音特征参数是短时能量短时自相关和短时过零率,它针对汉语语音非特定人基于对噪声的学习,对白噪声脉冲噪声般环境噪声都有很好的鲁棒性。基于谱减法端点检测在不同分贝噪声下的仿真图如图。第章语音端点检测的相关算法图长度语音的仿真图图图像语音的仿真图燕山本科生毕业设计论文本章小结本章详细介绍了几种语音端点检测算法,包括基于短时能量的端点检测算法基于时频方差和的端点检测算法基于多特征相结合的检测算法。短时能量的检测方法操作简单,运算量小,但抗噪性弱,在信噪比稍低的环境时基本失去区分能力,适合于实时性要求高信噪比较高的情况。基于时频方差和的检测算法结合时域和频域的方差两个特征,在频谱分布比较均匀的噪声环境下,如白噪声,性能较好,但在非平稳噪声环境下性能下降。基于多特征的检测方法结合多种特征,有效的增强了算法的鲁棒性,但同时也增强了算法的复杂度。第章基于距离熵的语音端点检测算法第章基于距离熵的语音端点检测算法熵的基本介绍熵的概念,是由德国物理学家鲁道夫克劳修斯在年首次提出的,熵的英语名字为,希腊语源意为内向,表示个系统不受外部干扰时往内部最稳定状态发展的特性。先来看个例子。设想有组硬币共个,每个硬币有两个面,掷出个硬币,每个硬币可能正面向上或者是反面向上,两个面是等价的,正面和反面朝上的概率都为,掷硬币时得到最有规律的状态是个都是正面或个都是反面,这两种状态都只有种构型排列。反之,如果是最混乱的情况,有个正面个反面,排列构型可以有种。事件发生的不确定性与它发生的概率存在着密切的关系。对于小概率事件,它的不确定性大,而对于大概率事件,它的不确定性小。对于不确定性比较大的事件,其发生后提供的信息量也比较大,相反的,对于不确定性比较小的事件包含的信息量也就比较小。个体系完全均匀分布时,这个系统的不确定性就达到最大值。熵用来表示任何种能量在空间中分布的均匀程度,是个系统混乱程度的度量。熵是个重要的物理概念,随着科学交叉与综合化的发展,它又远远超出了物理学范围,在自然科学和社会科学众多领域里得到了广泛应用,并成为些新学科的理论基础。熵在控制论概率论数论天体物理生命科学等领域都有重要应用,是十分重要的参量,在不同的学科中也引申出的更为具体的定义。年,香农把关于熵的概念引入信息论中,把熵作为个随机事件的不确定性的量度。香农指出,个随机事件准确信息量应该等于,其中为随机变量发生的概率。熵是信息论中用于度量信息量的个概念,个系统越是有序,熵就越低,反之,个系统越是混乱,熵就越高。基于谱熵的端点检测方法对带噪语音信号,经过分帧,加窗,傅里叶变换等操作后,便可得到其频率分量气的能量谱,每个频率分量的频谱概率密度函数表示。燕山本科生毕业设计论文,,式中为变换的长度,因为语音的能量主要集中在到之间,为了增强概率密度函数区分语音和非语音的能力,对上式加入些约束条件。则第帧的熵计算方法为使用谱熵进行语音端点检测实质是通过检测谱的平坦程度来区分有用语音和噪声谱熵具有如下特征,语音信号的谱熵不同于噪声信号的谱熵,理论上,如果谱的分布保持不变,语音信号幅值的大小不会影响归化概率密度函数。但实际上,语音谱熵随语音随机性而变化,与能量特征相比,谱熵的变化是很小的。在种程度上讲,谱熵对噪声具有定的抗噪性。基于距离熵的语音端点检测方法熵是种具有鲁棒性的特征,具有定的图纯净语音距离熵算法仿真结果燕山本科生毕业设计论文图分贝火车噪声距离熵算法仿真结果图分贝火车噪声距离熵算法仿真结果第章基于距离熵的语音端点检测算法图分贝火车噪声距离熵算法仿真结果图分贝火车噪声距离熵算法仿真结果燕山本科生毕业设计论文本章小结本章在基于谱熵的端点检测方法的基础上,提出了种基于距离熵的检测算法。基于距离熵的端点检测算法有效的利用了倒谱系数和熵的抗噪性,通过对带噪语音进行些处理获得对应的倒谱系数,使用倒谱系数求得欧式距离,进步使用欧式距离计算概率密度函数,最后通过概率密度函数计算距离熵。对基于谱熵以及基于距离熵的端点检测方法使用进行仿真,实验结果表明,基于谱熵的端点检测算法,在平稳高斯噪声环境下能较有效的检测出语音的两个端点,而在其它不稳定噪声环境下,当信噪比较低时,语音噪声的特征基本无法区分,而基于距离熵的端点检测算法,在各种噪声环境下,均能得到较好的特征。第章基于距离熵的语音端点检测算法抗噪能力,因此很多研究者对熵进行研究,例如种叫做近似熵的端点检测方法。由熵的计算公式可以看出要得到熵特征,关键要获得适当的概率密度函数。本文对经典的基于谱熵的检测算法进行改进,提出种基于距离熵特征的端点检测算法。该算法通过系列的变换得到每点的倒谱系数,再利用倒谱系数求得每点的欧式距离,根据欧式距离计算概率密度函数,最后将概率密度函数代入熵的计算公式求得距离熵,根据开始的和最后的无声段的距离熵值的大小确定门限值,采用双门限检测出语音起止点。距离熵对带噪语音进行帧长为帧移为的分帧操作,得到其帧数为,分帧后得到的结果是个大小为帧数帧长的二维矩阵。第章基于距离熵的语音端点检测算法式中二维矩阵的每行代表帧信号例如第行的数据,是第帧的所有点,每帧有个点,表示第帧的第点。对分帧后的每帧语音加汉明窗。图为几种基于短时傅里叶变换谱之间的关系。从图中可以看出,通过对预处理后的带噪语音的时域信号进行傅里叶变换,可以得到其频域谱,对进行自乘操作,则可得到频域功率谱,对功率谱取对数,然后进行逆傅里叶变换,则可得到带噪语音每点的倒谱系数。时域信号频域谱自相关函数功率谱