专注扬中网站建设,昆明官方网站建设,零基础学做网站,wordpress禁用emoji根据《现代语音信号处理》#xff08;胡航版#xff09;总大概列出前六章的内容#xff0c;有些会有一些自己的理解和总结。 第一章 绪论发展史和主要研究内容及发展。第二章 语音信号处理的基础知识#xff1a;语音信号处理的基础知识 语音的产生过程 语音信号的特性… 根据《现代语音信号处理》胡航版总大概列出前六章的内容有些会有一些自己的理解和总结。 第一章 绪论发展史和主要研究内容及发展。第二章 语音信号处理的基础知识语音信号处理的基础知识 语音的产生过程 语音信号的特性音质、音调、音强、音长 汉语的特点21个声母、39个韵母 语音信号的统计特性 语音产生的线性模型 语音产生的非线性模型 FM-AM模型 Teager能量算子 能量分离算法 FM-AM模型应用 语音感知 听觉系统内耳、中耳、外耳人可感知的频率范围20-20KHZ强度范围-5-130dB 神经系统 语音感知人类能够感知语音的四要素响度、音调、音色、听觉掩蔽效应 第三章 时域分析简介 语音信号非平稳、事变、离散性大且其中蕴含着说话内容以及说话人特征等处理难度大。 时域分析具有简单、运算量小、物理意义明确等优点。 数字化和预处理 取样率和量化字长选择 预处理数字化、放大及增益控制、反混叠滤波、预加重 短时能量分析En表示为语音信号一个短时间段内的能量短时平均能量能反映语音能量随时间变化的特性用于区分清/浊音等 短时过零分析短时平均过零数能用于度量信号的频率粗略地描述了信号频谱特性可用于区别清/浊音 高频率意味高平均过零数低频率意味着低平均过零数 短时相关分析 分为互相关函数、自相关函数主要是自相关用于研究信号本省如波形同步性和周期性 短时自相关函数 修正短时自相关函数解决基音周期宽是窗和预期的基音周期相适应 短时平均复查函数避免乘法简化运算与自相关函数有类似的作用 语音端点检测用于有/无声或是浊/清/无声判定 双门限前端检测存在较大时延 多门限过零率前端检测解决方法1的缺陷 基于FM-AM模型的端点检测利用算子输出能量进行端点检测相比常规的基于短时能量的端点检测方法有较好的效果 基于高阶累积量的语音端点检测 噪声环境下的端点检测目前提出的方法只适用于不同适用环境 高阶累积量和高阶谱 基于高阶累积量的端点检测广泛应用于非高斯及非循环平稳信号中 核心任何类型的高斯信号其三阶以上的高阶累积量均为0 第四章 短时傅里叶变换短时傅里叶变换短时傅里叶变换是窗选语音信号的傅里叶变换Xn(ejw) 短时傅里叶变换的取样率针对避免混叠三种取样率时间取样率、频域取样率、综合取样率 语音信号的短时综合用于由Xn(ejw)恢复x(n)的问题两种方法滤波器组求和法与FFT求和法 存在对偶性 滤波器组求和法与频率取样有关性能较好因为其对噪声敏感性较小FFT求和法与时间取样有关语谱图显示大量与语句特性相关的信息综合了频谱图与时域波形的优点直观显示语音频谱随时间变化的情况是一种动态的频谱 第五章 倒谱分析和同态滤波同态信号处理可实现将卷积关系变成求和关系的分离处理以达到解卷的效果用于非加性组合信号其中有包括乘性和卷积性组合信号 同态信号处理的基本原理分三步 特征系统将卷积信号转化为加性信号一分三步Z变换对数运算逆Z变换 线型系统 逆特征系统将加性信号转化为卷积信号一分三步Z变换指数运算逆Z变换 复倒谱和倒谱 复倒谱输入信号进行特征系统后得到的时域信号成为输入信号的复倒谱对应倒谱域 倒谱相对于复倒谱来说取对数阶段只取幅度的对数除去相位的信息倒谱运算相对简单由于不含相位信息不能恢复原始性 语音信号两个卷积分量复倒谱的性质 声门激励信号较重要的性质可用高复倒谱窗在复倒谱域中提取浊音激励信号的特性 声道冲激响应序列较重要的性质可用低复倒谱窗在复倒谱域中提取声道冲激响应 避免相位卷绕的算法 相位卷绕复倒谱取对数是进行的是复对数运算此时存在相位多只问题称其为相位卷绕。 避免的方法微分法(不适用会产生频谱混叠)最小相位信号法递推法(x(0)不能过小) 语音信号复倒谱分析实例 Mel频率倒谱系数MFCC应用于语音识别和说话人识别 Mel频率滤波器组基于人耳在1KHZ以下为频率的线性尺度1KHZ以上为对数尺度是人二对低频信号比高频信号更敏感的特点 MFCC重要特点对频率轴不均匀的划分该参数常用于语音识别中可进行端点检测 计算过程 对信号分帧预加重hamming窗处理STFT 得到频谱 使信号的线性幅度谱通过L个通道的Mel滤波器组并对输出累加 对滤波器输出取对数在进行DCT离散余弦变换得到MFCC 第六章 线性预测分析LPC的基本思想一个语音的取样可用过去若干语音取样的线性组合来逼近。通过使实际语音取样与LPC取样间差值的平方和即进行LMS最小均方误差逼近可决定唯一的一组预测系数而它们就是线性组合中的加权系数。 线性预测的基本原理基于AR模型用一个模型表示被分析信号 线性预测方程的建立因为信号模型的建立是有信号估计模型参数的过程信号是客观存在由一个有限数目参数的模型进行表示的不可能完全准确总会存在误差因而求解LPC系数是一个逼近的过程采用逆滤波器法来逼近 线性预测分析的解法1——经典解法 自相关法这种解法在整个时间范围内使误差最小加窗处理高效求解、精度低、会引入误差能保证解的稳定性适合硬件实现 协方差法这种解法可使信号N个样本上的误差最小不加窗处理精度高、不能保证解的稳定性 适用于平稳信号存在对中间量比例运算的困难 线性预测分析的解法2——格型法解决自相关与协方差法的精度与稳定性存在矛盾的问题求解方法 正向格型法逼近原则正向均方差不能保证解的稳定性 反向格型法逼近原则正向均方差不能保证解的稳定性 几何平均法非逼近法通过正向格型法Ki与反向格型法Ki 的几何平均求解能保证解的稳定性 Burg法非逼近法通过正向和反向均方误差纸盒的最小求解能保证解的稳定性 协方差格型法非逼近法 针对原格型法减小其运算量改写B\C\E的表达式改进格型法求解保持格型法的灵活性、解的稳定性和精度运算量与自相关法相近 线性预测应用——LPC谱估计和LPC倒谱 谱估计 LPC复倒谱 LPC估计与其他谱分析方法的比较 线谱对LSP分析频域参数既有良好的量化和插值特性以AR模型为基础 极零点模型为了获取更精确的解且节省运算量存在解法困难难以保证收敛于最佳值且难以确定模型阶数 第七章 语音信号的非线性分析小波变换
