小波分析在语音端点检测中的应用.docVIP

小波分析及应用 题目：小波分析在语音端点检测中的应用 姓名： 刘瑞琳 学号： 1014216008 学院： 计算机学院 小波分析在语音端点检测中的应用 1．研究背景及意义 作为一个完整的语音识别系统，其最终实现及使用的效果不仅仅限于识别的算法，许多相关因素都直接影响着应用系统的成功与否。语音识别的对象是语音信号，端点检测的目的就是在复杂的应用环境下的信号流中分辨出语音信号和非语音信号，并确定语音信号的开始及结束。一般的信号流都存在一定的背景声，而语音识别的模型都是基于语音信号训练的，语音信号和语音模型进行模式匹配才有意义。因此从信号流中检测出语音信号是语音识别的必要的预处理过程。 端点检测是指从一段语音信号中准确地找出语音信号的起始点和结束点，其目的是为了使有效的语音信号和无用的噪声信号得以分离，在语音识别、语音增强、回声抵消等系统中得到广泛应用。在商用语音系统中，由于信号多变的背景和自然对话模式而更容易使句中有停顿(非语音)，特别是在爆发声母前总会有无声间隙。因此，这种开始/结束的判定尤为重要。 端点检测有两个过程： (1)．基于语音信号的特征，用能量、过零率、熵 (entropy)、音高(pitch)等参数以及它们的衍生参数，来判断信号流中的语音/非语音信号。 (2)．在信号流中检测到语音信号后，判断此处是否是语句的开始或结束点。 端点检测的目的就是在复杂的应用环境下的信号流中分辨出语音信号和非语音信号，并确定语音信号的开始及结束。端点检测技术旨在运用信号处理和模式识别理论来区分语音段和非语音段。在自动语音识别系统中，端点检测是关键的处理步骤之一。在语音识别中，端点检测的性能对于识别的正确率，识别速度都有重要的影响。 目前，在端点检测中有很多种方法。常用的端点检测的方法有短时能量及过零率法，短时能量法或平均幅度法这样的简单有效的算法，还有HMM法，频带方差法这样虽然复杂但是精准度较高的算法。在端点检测中有一类方法是基于阈值的方法，该方法根据语音信号和噪声信号的不同特征，提取每一段语音信号的特征，然后把这些特征值与设定的阈值进行比较，从而达到语音端点检测的目的。在本文中介绍的是小波系数方差法。 2．小波变换 小波分解可以看做是由低通滤波器和带通滤波器组成的滤波器组。低通滤波器输出的是近似系数，带通滤波器输出的是细节系数。小波系数较大者将携带信号能量较多，系数较小者携带的能量信号较小。对于不同子带内的小波系数进行统计分析，可以获得语音信号和噪声信号的分布特征。 由于小波变换在时域和频域都具有表征信号局部特征的能力，在信号的高频部分，可以取得较好的时间分辨率；在信号的低频部分，可以取得较好的频率分辨率。对于语音信号来说，在高频部分需要较好的时间分辨率来检测信号快速变化的瞬态部分，而在低频部分则需要较高的频率分辨率来精确跟踪缓慢时变的共振峰。因此小波变换能够很好地满足语音信号处理的要求。另外小波变换的特性使得它具有分析带限信号（如语音信号）边界的功能小波系数可以反映语音信号在各个子带内沿时间轴的能量分布, 通过对其进行处理又可以捕捉到语音段的边界。 高斯白噪声广泛地存在于自然界中。因此，在语音信号中大多混有高斯白噪声。高斯白噪声属于宽带噪声，而且在每一频率子带上能量分布均衡。语音信号能量分布主要在低频段，而且能量分布波动性较大。因此，可以将小波系数方差用于语音端点检测。 3．端点检测算法 Karray 利用小波变换技术对语音信号不同子带中的能量作了统计。对于一帧语音信号作10 层小波分解，设第1层至第5层中最大的能量值是M1，第6层至第10 层中最大的能量值是M2，两个峰值能量的比为R = M1/ M2。则有95% 以上的语音，R 值都大于5，只有0.5%的语音其R 值小于2。 小波变换中，因为Daubechies小波具有很好的正交性，可以提供更有效的分解和重构，所以选择Daubechies小波中的db4小波作为母小波。 算法描述如下： Step1：对输入信号进行采样、分帧处理，用 表示第 帧信号， 表示总的帧数。 Step2：利用db4小波对 作10 层小波变换，得小波系数 。 表示第k 层第j 个小波系数。 Step3：计算第K 层小波系数的平均幅值 。 L(k)表示第k 层小波系数的总数。i 表示第i 帧。 Step4：令 计算 ，如果R 5，则标记为语音帧；如果 R 2，则标记为噪音帧； Step5：如果2R 5，则计算 的均值 Step6：计算子带平均能量方差 Step7：设定门限T。若，则标记此帧为语音帧，否则标记为噪音帧。 Step8：如果，此算法结束，否则返回Step