中期报告 陈曦.doc

河北工业大学本科毕业设计（论文）中期报告 毕业设计（论文）题目：基于小波变换的声纹特征提取 专业（方向）：电子081 学 生 信 息： 学号：082223 姓名：陈曦 班级：电子081班 指导教师信息：教师号： 姓名： 职称： 报告提交日期： 小波变换基本原理 傅里叶变换被非常广泛的应用，是因为它具有以下优点：1、傅里叶变换具有直观性；2、傅里叶变换具有数学上的完美性；3、傅里叶变换在具有以上两个优点的同时具有计算上的有效性。但是傅里叶变换仍然具有局限性，它在整个时间轴上积分，表示了信号的全局特征，但是当我们希望分析局部信号，就比如本次设计研究的提取声纹信号特征，就无法使用傅里叶变换了。因此，我们希望定义一种工具能帮助计算信号x(t)的瞬时傅里叶变换，记为X(?,F)，进而产生了短时傅里叶变换。 短时傅里叶变换，也称加窗傅里叶变换，是传统的语音分析方法，而且在语音信号分析方面得到了广泛应用。语音信号是一种典型的非平稳信号，因此，适用于周期、瞬变或平稳随机信号的傅里叶变换不能用来直接表示语音信号，所以，只能假定他在短时间内是平稳的。短时傅里叶变换就是在这样的短时平稳假定下，采用一个滑动的短时窗一次一次的截取语音信号，将截得的每一段短时信号看成是平稳的，然后采用傅里叶变换对其进行分析。如下图所示： 但是，由于傅里叶变换时频分辨率不能同时增加的矛盾，使其无法识别过渡音征、爆破音、塞擦音和摩擦音等，这样的语音虽然在时间上占比重并不大，但是却包含着很重要的信息。因此，声纹识别过程中，短时傅里叶变换通常模糊了语音的细节特征，导致在声纹特征提取的过程中丢失重要的信息。 小波变换是强有力的时频分析(处理)工具，是在克服傅立叶变换缺点的基础上发展而来的。已成功应用于很多领域，如信号处理、图像处理、模式识别等。小波变换的一个重要性质是它在时域和频域均具有很好的局部化特征，它能够提供目标信号各个频率子段的频率信息。这种信息对于信号分类是非常有用的。 小波变换一个信号为一个小波级数，这样一个信号可由小波系数来刻画。 小波变换通过平移母小波(mother wavelet)可获得信号的时间信息，而通过缩放小波的宽度(或者叫做尺度)可获得信号的频率特性。对母小波的缩放和平移操作是为了计算小波的系数，这些系数代表小波和局部信号之间的相互关系。 --连续小波变换 --离散小波变换 连续小波变换（CWT）的变换过程 1）把小波ψ(t)和原始信号f(t)的开始部分进行比较 2）计算系数c 。该系数表示该部分信号与小波的近似程度。系数 c 的值越高表示信号与小波越相似，因此系数c 可以反映这种波形的相关程度 3）把小波向右移，距离为k，得到的小波函数为ψ(t-k)，然后重复步骤1和2。再把小波向右移，得到小波ψ(t-2k)，重复步骤1和2。按上述步骤一直进行下去，直到信号f(t)结束 4）扩展小波ψ(t)，例如扩展一倍，得到的小波函数为ψ(t/2) 5）重复步骤1~4 小波的缩放因子与信号频率之间的关系可以这样来理解。缩放因子小，表示小波比较窄，度量的是信号细节，表示频率w 比较高；相反，缩放因子大，表示小波比较宽，度量的是信号的粗糙程度，表示频率w 比较低。 2、离散小波变换 在计算连续小波变换时，实际上也是用离散的数据进行计算的，只是所用的缩放因子和平移参数比较小而已。不难想象，连续小波变换的计算量是惊人的。为了解决计算量的问题，缩放因子和平移参数都选择2 ^j( j0的整数)的倍数。使用这样的缩放因子和平移参数的小波变换叫做双尺度小波变换(dyadic wavelet transform)，它是离散小波变换(discrete wavelet transform，DWT)的一种形式。 使用离散小波分析得到的小波系数、缩放因子和时间关系如图所示。 图(a)是20世纪40年代使用Gabor开发的短时傅立叶变换(short time Fourier transform，STFT)得到的时间-频率关系图 图(b)是20世纪80年代使用Morlet开发的小波变换得到的时间-缩放因子(反映频率)关系图。 DWT变换方法： 执行离散小波变换的有效方法是使用滤波器 --该方法是Mallat在1988年开发的，叫做Mallat算法 --这种方法实际上是一种信号的分解方法，在数字信号处理中称为双通道子带编码 用滤波器执行离散小波变换的概念如图所示 --S表示原始的输入信号，通过两个互补的滤波器产生A和D两个信号 --A表示信号的近似值(approximations) --D表示信号的细节值(detail) 双通道滤波过程 在许多应用中，信号的低频部分是最重要的，而高频部分起一个“添加剂”的作用。 比如声音，把高频分