小波去噪語音識別課件

1，方超2，單夢凡3，封孔飛4DaQing1，F(xiàn)angChao2，ShanMengfan3，F(xiàn)engKongfei4061221015061221021061221016061221022摘要：語音作為一個交叉學(xué)科，具有深遠(yuǎn)的研究價值，近50年的研究發(fā)展，語音識別技術(shù)已經(jīng)有了極大的發(fā)展，但大多數(shù)產(chǎn)品能存在與實驗室，沒有達(dá)到使用化的效果，所以語音識別的研究還要更加深入。本為主要闡述了小波變換在語音信號去噪的應(yīng)用，語音端點的檢測，語音特征的提取及一種簡單的語音識別算法。引言語音識別系統(tǒng)構(gòu)成語音信號的小波去噪語音信號的端點檢測語音特征的提取基于DTW的語音識別算法實驗結(jié)果及分析前端處理包括語音的錄入、處理、特征值的提取后端是個夸數(shù)據(jù)庫的搜索過程，分為訓(xùn)練和識別訓(xùn)練是對所建的模型進(jìn)行評估、匹配、優(yōu)化，獲得模型參數(shù)識別是一個專用的搜索數(shù)據(jù)庫獲取前端數(shù)值后，有聲學(xué)模型、一個語言模型和一個字典，聲學(xué)模型表示一種語言的發(fā)音聲音，可以通過訓(xùn)練來識別特定用戶的語音模型和發(fā)音環(huán)境的特征，語言模型是對語料庫單詞規(guī)則化的概率模型。字典列出了大量的單詞及發(fā)音規(guī)則。總體上說，語音識別是一個模式識別匹配的過程。在這個過程中，計算機(jī)首先要根據(jù)人的語音特點建立語音模型，對輸入的語音信號進(jìn)行分析，并抽取所需的特征，在此基礎(chǔ)上建立語音識別所需的模板。然后，在識別過程中，計算機(jī)根據(jù)語音識別的整體模型，將計算機(jī)中已經(jīng)存有的語音模板與輸入語音信號的特征進(jìn)行比較，并根據(jù)一定的搜索和匹配策略找出一系列最優(yōu)的與輸入語音匹配的模板。最后通過查表和判決算法給出識別結(jié)果。顯然，識別結(jié)果與語音特征的選擇、語音模型和語言模型的好壞、模板是否準(zhǔn)確等都有直接的關(guān)系。語音去噪技術(shù)是語音信號處理的一個重要分支，它在解決噪聲污染、改進(jìn)語音質(zhì)量、提高語音可懂度等方面發(fā)揮著越來越重要的作用。當(dāng)噪聲與語音的頻譜相似時，傳統(tǒng)的單純時域或頻域處理往往無法達(dá)到很好的效果。小波變換是一種多尺度的信號分析方法，是分析非平穩(wěn)信號的有力工具。它克服了短時傅里葉變換固定分辨率的弱點，既可以分析信號的概貌，又可以分析信號的細(xì)節(jié)。利用小波變換實現(xiàn)信號去噪，具有很好的效果。小波閾值去噪方法是實現(xiàn)最簡單、計算量最小的一種方法，因而得到了最廣泛的應(yīng)用設(shè)ψ(t)∈L2(R)(L2(R)表示平方可積的實數(shù)空間,即能量有限的信號空間),其傅立葉變換為ψ(ω)。當(dāng)ψ(ω)滿足允許條件:時，我們稱ψ(t)為一個基本小波或母小波，將母函數(shù)ψ(t)經(jīng)伸縮或平移后,就可以得到一個小波序列。對于連續(xù)的情況，小波序列為

其中a為伸縮因子,b為平移因子。對于離散的情況,小波序列為

對于任意的函數(shù)f(t)∈L2(R)的連續(xù)小波變換為，小波去噪方法大致可分為三類,第一類是基于小波變換模極大值原理進(jìn)行去噪;第二類是對含噪聲信號作小波變換之后,計算相鄰尺度間小波系數(shù)的相關(guān)性,根據(jù)相關(guān)性區(qū)別小波系數(shù)的類型;第三類是閾值去噪。閾值去噪即對小波系數(shù)設(shè)置閾值,在眾多小波系數(shù)中,把絕對值較小的系數(shù)置為零,而讓絕對值較大的系數(shù)保留或收縮,然后對閾值處理后的系數(shù)進(jìn)行小波逆變換,直接進(jìn)行信號重構(gòu),即可達(dá)到去噪的目的。小波閾值去噪的主要理論依據(jù)為:信號在小波域內(nèi)其能量主要集中在有限的幾個系數(shù)中,而噪聲的能量卻分布于整個小波域內(nèi)。因此經(jīng)小波分解后,信號的小波變換系數(shù)要大于噪聲的小波變換系數(shù)。于是可以找到一個合適的數(shù)作為閾值,當(dāng)小波系數(shù)小于該閾值時,認(rèn)為這時的小波系數(shù)主要是由噪聲引起的;當(dāng)小波系數(shù)大于該閾值時,則認(rèn)為其主要是由信號引起的。選擇一個合適的閾值,對小波系數(shù)進(jìn)行閾值處理,就可以達(dá)到去除噪聲而保留有用信號的目的。語音信號的端點識別是語音處理和語音識別的基礎(chǔ)，然而在噪聲環(huán)境下識別語音信號的端點往往比較困難的。我們采用的是經(jīng)典的雙門限檢測法為了區(qū)分噪音和語音，很直觀的一種方法是用信號的幅度作為特征，只要設(shè)定一個門限，當(dāng)信號的幅度超過該門限的時候，就認(rèn)為語音開始，當(dāng)幅度降低到門限以下就認(rèn)為語音結(jié)束。實際上，一般我們是使用短時能量的概念來描述語音信號的幅度的。對于輸入的語音信號x(n)，其中n為采樣點，首先進(jìn)行分幀的操作，將語音信號分成20~30毫秒一段，相鄰的兩幀之間有10~20毫秒的交疊。具體的幀長和幀移隨采樣頻率不同而不同。對于第i幀，第n個樣本，他與原始語音信號的關(guān)系為：第i幀語音信號的短時能量可以用下面幾種算法得到:將語音信號分幀后計算每幀的短時能量，再設(shè)一個門限，就可以實現(xiàn)一個簡單的端點檢測算法。但是這樣的算法是很不可靠的，因為人的語音分清音和濁音兩種。濁音為聲帶振動發(fā)出，對應(yīng)的語音信號有幅度高周期性明顯的特點，而清音則不會有聲帶的振動，只是靠空氣在口腔中的摩擦、沖擊或爆破而發(fā)聲，其短時能量一般比較小，往往會被基于能量的算法漏過去。所以我們用過零率來進(jìn)行修正。將短時能量和過零率結(jié)合起來，對一段語音進(jìn)行單個語音端點的檢測：對連續(xù)語音進(jìn)行語音分割：5.1線性預(yù)測系數(shù)5.2線性預(yù)測倒普系數(shù)5.3Mel頻率倒普系數(shù)語音信號的聲管模型在語音識別系統(tǒng)中，很少直接使用LPC系數(shù)，而是由LPC系數(shù)推導(dǎo)出另一種參數(shù)：線性預(yù)測倒普系數(shù)（LPCC），其遞推式如下:式中a1

，...，ap

為p階LPC特征向量。cn

，n=1，...，p，p為倒譜的前p個值，當(dāng)LPCC的階數(shù)不超過LPC階數(shù)p的時候，用第二式進(jìn)行計算;如果LPCC階數(shù)大于p，則用第三式進(jìn)行計算，此時實際上是一種外推。LPC模型是基于發(fā)音模型建立的，LPCC系數(shù)也是一種基于合成的參數(shù)。這種參數(shù)沒有充分利用人耳的聽覺特性。實際上，人的聽覺系統(tǒng)是一個特殊額度非線性系統(tǒng)，它響應(yīng)不同頻率信號的靈敏度是不同的，基本上是一個對數(shù)的關(guān)系。近年來，一種能夠比較充分利用人耳這種特殊的感知特性的參數(shù)得到了廣泛的應(yīng)用，這就是Mel尺度倒譜參數(shù)，或稱Mel頻率倒譜參數(shù)（MFCC）。MFCC參數(shù)的計算是以“bark”為其頻率基準(zhǔn)的，它和線性頻率的轉(zhuǎn)換關(guān)系是：差分參數(shù)的計算采用下面的公式：這里的c和d都表示一幀語音參數(shù)，k為常數(shù)，通常取2，這時差分參數(shù)就稱為當(dāng)前幀的前兩幀和后兩幀的線性組合。在孤立詞語音識別中，最為簡單有效的方法是采用DTW（DynamicTimeWarping，動態(tài)時間彎折），該算法基于動態(tài)規(guī)劃（DP）的思想，解決了發(fā)音長短不一的模板匹配問題，是語音識別中出現(xiàn)較早，較為經(jīng)典的一種算法。用于孤立詞識別，DTW算法與HMM算法在相同的環(huán)境下，識別效果相差不大。但HMM算法在訓(xùn)練階段需要提供大量的語音數(shù)據(jù)，通過反復(fù)計算才能得到模板參數(shù)，而DTW算法的訓(xùn)練中幾乎不需要額外的計算。為了描述這條路徑，假設(shè)路徑通過的所有格點依次為（n1,m1)，...，（ni,mi)，...，（nN,mN)，路徑可以用函數(shù)：描述，為了使路徑不至于過分傾斜，可以約束斜率在0.5~2的范圍內(nèi)，即如果路徑已通過了（ni-1,mi-1)，則（ni,mi)只可能是：1.（ni,mi)=（ni-1+1，mi-1+2)；2.（ni,mi)=（ni-1+1，mi-1+1)；3.（ni,mi)=（ni-1+1，mi-1)；于是求最佳路徑的問題可以歸結(jié)為求最佳路徑函數(shù)使得路徑的積累距離最小。搜索該路徑的方法如下：搜索從（n1,m1)點出發(fā)，可以展開若干條滿足約束條件的路徑。假設(shè)可計算每條路徑達(dá)到終點的總的積累距離，具有最小積累距離的路徑即為最佳路徑。易于證明，限定范圍的任意網(wǎng)格點（ni,mi)只可能有一條搜索路徑通過。對于（ni,mi)，其可達(dá)到該網(wǎng)格點的前一個網(wǎng)格點只可能是（ni-1,mi)，（ni-1,mi-1)和（ni,mi-2)，那么（ni,mi)一定選擇這3個距離中最小的對應(yīng)的點為其前續(xù)網(wǎng)格點，若用（ni-1,mi-1)代表此網(wǎng)格點，并將通過該格點的路徑延伸而通過（ni,mi)，此時路徑的累計距離為：而：這樣就可以從（ni,mi)=(1,1)出發(fā)直至搜索到（nN,mN)求得整條路徑在我們這個實驗中，采用了0~9這是個數(shù)字作為參考模板，先由小波去噪做語音的預(yù)處理，然后用基于短時能量和過零率的雙門限法進(jìn)行端點檢測，再計算每幀語音的MFCC系數(shù)