汉语数码语音识别分析毕业设计_第二章.docxVIP

第二章 汉语数码语音的特征提取 及端点检测方法分析 §2.1 语音特征参数提取 语音特征参数： LPCC 和 MFCC 在语音识别系统中 , 模拟的语音信号在完成 A/D 转换后成为数字信号 , 但时 域上的语音信号很难直接用于识别 , 因此我们需要从语音信号中提取语音的特 征，一方面可以获得语音的本质特征 , 另一方面也起到数据压缩的作用。 目前通用的特征提取方法是基于语音帧的， 即将语音信号分为有重叠的若干 帧，对每一帧提取语音特征。例如采用的语音库采样率为 11kHz ，因此我们采 用的帧长为 220 个采样点（即 20 ms ），帧步长（即每一帧语音与上一帧语音不重 迭的长度）为 110 个采样点（即 10 ms ）。 现有语音识别系统采用的最主要的两种语音特征包括： 线性预测倒 谱系数（Linear Prediction Cepstrum Coefficient , LPCC） 。该特征是基于语音信号为自回归信号的假设， 利用线性预测分析获得倒 谱系数。 LPCC 参数的优点是计算量小，对元音有较好的描述能力，其缺点在于 对辅音的描述能力较差，抗噪声性能较差。 Mel 频标倒谱系数 （Mel Frequency Cepstrum Coefficient ， MFCC） 。 该特征考虑了人耳的听觉特性，将频谱转化为基于 Mel 频标的非线性频谱，然 后转换到倒谱域上。由于充分模拟了人的听觉特性，而且没有任何前提假设， MFCC 参数具有识别性能和抗噪能力。本文采用 MFCC 参数为语音特征参数。 MFCC 参数的优点 与 LPCC 参数相比， MFCC 参数具有以下优点： .语音的信息大多集中在低频部分，而咼频部分易受环境噪声干扰。MFCC 参数将线性频标转化为 Mel频标，强调语音的低频信息，从而突出了有利于识 别的信息，屏蔽了噪声的干扰。LPCC参数是基于线性频标的，所以没有这一特 点。 . MFCC参数无任何前提假设，在各种情况下均可使用。而 LPCC参数 假定所处理的信号为AR信号，对于动态特性较强的辅音，这个假设并不严格成 立，而汉语数码语音识别需要对辅音有较强的分辨能力，如“ 6”和“9”，“ 1 ” 和“6”等，所以MFCC参数在汉语数码语音识别中优于 LPCC参数。另外， 当噪声存在时，AR信号会变为ARMA信号： H()1 H() 1 A() no (2.1)A( )n。 (2.1) A() 其中H()为受噪声污染的信号功率谱，1 / A()为AR信号功率谱，no为噪声 功率。这会给LPC分析的结果带来较大误差。因此，MFCC参数的抗噪声能力 也优于LPCC参数。 . MFCC参数提取过程中需要FFT变换，我们可以由此顺便获得语音信 号频域上的全部信息。而以后将要介绍的端点检测、语音分段、 鼻音特征提取等 算法都要利用到语音的频域信息，因此 MFCC参数的提取可以节省掉以上算法 FFT的计算量 MFCC参数提取的具体步骤 1.假定已有一帧采样语音{X} 1,2,...n，N为帧长。为方便后面所需的FFT, 我们取N = 256。对{x} 1,2,...n加Hamming窗后作N点FFT，将时域信号转化 为频域分量{Xi}i 1,2,...,N。 .将线性频标转化为 Mel频标。转化方法是将频域信号通过 24个三角滤 波器，其中中心频率在1000 Hz以上和以下的各12个。滤波器的中心频率间隔 特点是在1000 Hz以下为线性分布，1000 Hz以上为等比数列分布。三角滤波 器的输出则为: Yi k Fi 1 Xk 11 Fi 1 k Xk , i = 1,2,....,24 (2.2) k Fi 1 Fj Fi i k Fi 1 Fi 1 Fi 其中Xk为频谱上第k个频谱点的能量，Yi为第i个滤波器的输出，Fi为第i个滤 波器的中心频率。 .用离散余弦变换(Discrete Cosine Transformation, DCT )将滤波器 输出变换到倒谱域： TOC \o 1-5 \h \z 24 1 Ck log(Yj)cos[k(j —)—] k = 1,2,...,P (2.3) j 1 2 24 其中P为MFCC参数的阶数，我们取 P= 12。{Ck}k 1,2,...,12即为所求的MFCC 参数。 求出MFCC参数后，我们按式(2.3)对其进行加权，并按式(2.4)计算差分 MFCC参数。 wm 1 si n( m) 1 m P (2.4) 2 P 2 Cl (m) kcl k 2 k (m) 0.56 1 m P (2.5) 其中下标I与l-k表示第I与l-k帧。故最后提取的特征参数为24维的特征矢量, 包括12维MFCC参数和12维差分MFCC参数。 § 2.2共振峰轨迹提取 共