声音识别模型资料.docVIP

??声音识别模型的建立与评价 摘 要 本文选取合适声音特征参数设计一个声音识别模型，并给出了具体的建立方案，然后还要对建立的模型进行优化提高识别准确度。 对于问题一,首先对声音信号进行了试听，然后利用Matlab绘制了声音波形如图一、图二所示，通过两类声音进行比较和分析。得出两类声音如下区别：非正开门声的幅值明显比正常高，说明非正常开门声响声大，而且非正常声音持续的时间远比正常的要长。 对于问题二，首先对声音信号的短时平均能量和短时过零率这两个时域特征进行分析如图三和图四所示。然后对倒谱系数（）这一频域特征进行了分析如图八所示，并且通过倒谱系数（）建立了一个13维的特征向量如附件一所示。 对于问题三，利用上一问中提取的倒谱系数这一重要特征，经过训练后，建立了基于和声音识别模型如图九所示，然后随机选取一段声音信号进行测试，测试结果如图十一所示，从图中可以看出此模型能够区分正常与非正常声音。 对于问题四，我们利用主成分分析法建立了特征向量优化模型如式33所示，得出声音的两个主要特征是短时平均能量和，然后在上面的声音识别模型中加入了短时平均能量这一时域特征向量，最后对优化后的声音识别模型进行检验，发现优化后的模型识别准确率有了进一步的提高。 对于问题五，首先按照题目的要求，利用Matlab中的随机函数产生一个噪声加入到声音信号中，得到了加噪后的声音时域和频域的波形图如图十三和图十四所示。然后设计了基于双线性变换法的Butterworth滤波器模型，通过此滤波器模型对加噪后的声音进行滤波，得到的时域和频域波形图如图十五和图十六所示。比较滤波前后可以看出噪声基本能被过滤掉，设计的Butterworth滤波器有明显的的滤波效果。 本文综合考虑了各个方面，建立了符合条件的声音识别模型，采用Matlab编程的方法，求得的结果完全满足题目的要求，并有一定的实际应用价值。 关键词: 倒谱系数 主成分分析法 Butterworth滤波器 问题重述 随着科技的发展，人类步入了家居智能化的新时代。智能冰箱、智能清洁机器人、智能电视等已步平常百姓家但智能化的防盗门处于研发阶段，。随着人们对家居安全意识的不断增强，对防盗、防抢和防砸的门禁系统的智能性提出更高的要求。基于此，对正常和非正常开门（指盗窃开门等声音）的声音进行识别是智能防盗门的关键问题和技术，其具有广泛的应用前景和实用价值。 为了进行声音识别模型的建立，我们采集到了正常和非正常开门的声音，各40次开门声音数据。该数据可利用Matlab的load函数载入到计算机内存，内存中变量有和等变量，其中为采频率为采数据。这些数据利用Matlab中的sound函数，，利用plot函数绘制出具体的声音波形图，利用合适的时域或（和）频域特征表达个声音信号，建立特征向量，写出提取特征向量的具体方法和程序代码。 建立声音识别模型（二分类模型），利用模型区分正常和非正常声音，评价模型的好坏。 利用特征选择或变换，对特征向量进行优化，并利用参数优化技术优化模型的参数，使识别模型的准确率提高。 若原始声音信号中有环境噪声（如白噪声），设y中叠加了一定幅值的白噪声（利用叠加噪声）， 假设所取样本均是全真模拟，样本可靠。 忽略其他与开门无关的声音。 忽略较小的系统误差和客观误差。 忽略声音识别模型的其他因素对模型的影响。 三、符号说明 ------------------倒谱系数 ---------------------采样频率 --------------------线性预测系数 -------------------倒谱系数 -------------------高斯混合模型 ---------------------期望最大化 ------------------算法第步 ------------------算法第步 四、问题引入与分析 4.1问题背景的理解 随着全球化,网络化,数字化,信息化时代的到来,计算机已经成为人们生活中不可缺少的一部分。。因此,近年来,一些研究人员已提出用音频分析进行监视的应用。相对于视频监控系统,基于声音识别技术的音频监控具有很多优点。 4.2 声音的特征提取以及识别 声音信号的特征主要有幅度(或功率)、过零率、邻界带特征矢量、线性预测系数特征矢量()、倒谱特征矢量()、倒谱参数()等等，描述声音信号的特征如此之多，我们应该选择合理的特征参数对声音进行分析便于我们建立一个合理的声音识别模型。 4.3 模拟声音的前期处理 附件中的声音信号已经经过了去噪处理，我们要实现模拟声音的前期处理就必须先要给声音加一段噪声，用Matlab给声音加一段噪声根据题目要求选择最简单的函数产生高斯分布序列。而去噪的方法有很多经过查阅资料选用基于双线性变换法的B