结合EMD与DWT-ACF的语音基音周期检测改进算法
一种基于倒谱法的基音周期检测改进算法
一种基于倒谱法的基音周期检测改进算法张景扩;彭龑【摘要】通过对常规语音信号处理分析,设计一种基于倒谱法的基音周期检测改进算法.其过程是先对语音信号进行预处理、去趋势项处理及去噪声处理,,然后通过语音分析中的线性化处理、伯格算法和中值滤波算法对预处理过的语音信号进一步优化,并利用仿真软件验证改进增强算法,改进算法可有效的减少外界环境及共振峰等因素的干扰,相对于常规的语音基音检测算法其鲁棒性、稳定性更强.【期刊名称】《电声技术》【年(卷),期】2017(041)007【总页数】5页(P113-116,130)【关键词】基音周期检测;倒谱;预处理;增强处理【作者】张景扩;彭龑【作者单位】四川理工学院计算机学院四川自贡643000;四川理工学院计算机学院四川自贡643000【正文语种】中文【中图分类】TN911.7文献引用格式：张景扩，彭龑.一种基于倒谱法的基音周期检测改进算法[J]. 电声技术，2017,41(7/8)：113-116.ZHANG Jingkuo, PENG Yan.Improved algorithm of pitch detection based on cepstrum[J]. Audio Engineering，2017,41(7/8)：113-116.语音音调由基音决定，基音周期是指发韵母时，声带每一次打开和关闭的时间[1]。
基因周期在音频合成与分析、声调控制、语音编码以及声音识别等多个领域有着重要的价值。
语音基音周期检测经常用到倒谱法。
在纯净语音的检测中，采用倒谱检测会得到比较理想的结果，但待检测语音受外界环境影响时，其性能急剧恶化[2]，原因是噪声会淹没功率谱中的低电平部分，导致信号分析出现各种问题。
在传统的检测过程中会容易受到噪声、趋势项、共振峰等因素的影响。
语音信号为卷积信号。
利用卷积同态系统理论，可有效处理语音信号。
经卷积同态处理得到得伪时域序列为初始序列的复倒频谱其定义可表示为(n)=IFT{ln[FT{x(n)}]}倒谱定义为c(n)=IFT{ln∣[FT{x(n)}]∣}在纯净的环境下，倒谱法检测效果较好，但在噪声环境下，语音信号基音检测检测较困难，且倒谱法容易受到共振峰等环境因素的影响，难以正常提取基音周期[3]，为此提出如图1改进的倒谱算法。
基于改进EMD的信号降噪方法
基于改进EMD的信号降噪方法王强;王莉;陈晨;李伟伟【摘要】Empirical mode decomposition algorithm is widely concerned with the new time frequency analysis method.It is based on the characteristic of signal processing,which has the advantages of strong adaptability and no need to determine the basis function inadvance.However,there are still a series of problems,such as mode mixing and signal distortion because of EMD noise reduction method.In view of the defects of EMD algorithm,this paper proposes an improved algorithm based on the combination of Ensemble Empirical Mode Decomposition and wavelet threshold denoising algorithm. First of all,it uses the correlation function to choose the high frequency of Intrinsic Mode Function;Then,the wavelet threshold is setting a threshold for the EEMD;Finally,the improved algorithm is used for signal denoising and compared with the Fast Fourier Transform algorithm,wavelet threshold algorithm and forced denoising of EMD.The advantages of the method overcomes the shortcomings of the EMD algorithm and avoids the mode mixing phenomenon.It also effectively retains the high frequency signal component.The noise reduction effect is better than the previous method.%经验模态分解(Empirical Mode Decomposition,EMD)算法作为新型时频分析方法受到广泛关注,它基于信号的极值特性处理信号,具有自适应强、无需预先确定基函数的优点.但EMD算法本身仍存在模态混叠及EMD强制降噪法易导致信号失真等一系列问题.针对EMD算法的缺陷,提出基于自相关函数的集合经验模态分解方法(Ensemble Empirical Mode Decomposition,EEMD)与小波阈值降噪相结合的改进算法.首先利用自相关函数对高频固有模态函数(Intrinsic Mode Function,IMF)进行选择,然后利用小波阈值降噪法为EEMD设定阈值,最后将改进算法用于信号降噪,并与快速傅里叶变换(FFT)算法、小波阈值算法以及EMD强制降噪算法进行比较.该方法的优点是克服了EMD算法的不足,避免了模态混叠现象,有效地保留了高频信号中分量,降噪效果更好.【期刊名称】《火力与指挥控制》【年(卷),期】2017(042)008【总页数】4页(P111-114)【关键词】EMD;EEMD;小波阈值降噪;IMF【作者】王强;王莉;陈晨;李伟伟【作者单位】空军工程大学防空反导学院,西安 710051;空军工程大学防空反导学院,西安 710051;空军工程大学防空反导学院,西安 710051;空军工程大学防空反导学院,西安 710051【正文语种】中文【中图分类】TM935对振动信号进行分析是故障诊断中的重要内容，然而振动信号中除了有用的信号外，还含有很多的噪声成分。
基于FFT-ACF和候选值估计的基音周期提取方法
基于FFT-ACF和候选值估计的基音周期提取方法
徐明;陈知困;黄云森
【期刊名称】《深圳大学学报（理工版）》
【年(卷),期】2007(024)004
【摘要】利用FFT-ACF算法进行基音周期候选值估计,减少在语音基音周期提取中常见的倍频和半频错误,提出针对候选值的多重后处理算法.后处理过程:首先运用峰值筛选法进行初选,接着利用一次均值法将语音分为不同的音高段,再使用二次均值法为每个音高段确定合适的频率范围,最后精确提取出基音周期.实验结果表明,基音周期后处理算法有效,在音乐哼唱识别应用中收到良好效果.
【总页数】5页(P388-392)
【作者】徐明;陈知困;黄云森
【作者单位】深圳大学信息中心,深圳,518060;深圳大学信息中心,深圳,518060;深圳大学信息工程学院,深圳,518060;深圳大学信息中心,深圳,518060
【正文语种】中文
【中图分类】TP391;TN912
【相关文献】
1.一种基于基音周期估计的音频水印算法 [J], 付永庆;孙滢
2.基于MBE模型的基音周期估计算法改进 [J], 唐斌;樊桂花
3.基于随机共振的基音周期估计方法 [J], 何朝霞;刘凯
4.基于随机共振的基音周期估计方法 [J], 何朝霞; 刘凯
5.基于FPGA的实时基音周期估计系统 [J], 李辉;王欣;戴蓓倩;陆伟
因版权原因，仅展示原文概要，查看原文内容请购买。
基于EMD的ACF基音检测改进算法
基于EMD的AMDF基音检测改进算法
第 ｌ ３卷 第 １ 期（ ２ ０ １ ３年 ）
Ｃ Ａ ＭＤ Ｆ法 ， 其检 测效 果也有 了显著 的提 升．
１ 经验模 式分解
Ｅ ＭＤ是 Ｎ ｏ ｒ ｄ ｅ ｎ Ｅ Ｈｕ ａ ｎ ｇ 等 人于 １ ９ ９ ８年提 出的一种 新 的信号 分解方 法 １ ２ ］ ． Ｅ ＭＤ的本质 是通 过信 号本 身 的特征 尺度 来将 信号 分解成 本 征模 式 函数 （ Ｉ ｎ ｔ ｒ ｉ ｎ ｓ ｉ ｃ Ｍｏ ｄ ｅ Ｆ ｕ ｎ ｃ ｔ ｉ ｏ ｎ ， Ｉ ＭＦ ） ， 它 一 方 面具 有小 波 变换 多 分
（ １ ）
ｃ （ ｔ ） ＝ｇ 。 （ ｔ ） 即为第 一个 Ｉ ＭＦ ， 记为 Ｉ ＭＦ １ ， 利用 上述 算法 对残余 分量
ｒ （ ｔ ） ＝ｓ （ ｔ ） 一 Ｃ （ ｔ ） （ ２ ）
进 行 处理 ， 提取 出第 二个 Ｉ ＭＦ ， 如 此循 环 ， 直 至最 后一个 Ｉ Ｍ Ｆ即 Ｃ （ ｔ ） 被提 取 出来 ． 最后 的残余分 量 （ ｔ ） 通
通过对 Ｅ Ｍ Ｄ的分析可知 ， 信号经过 Ｅ Ｍ Ｄ处理后 ， 最后一项残余分量为常数项或趋势项 ， 因此可利用 Ｅ ＭＤ去 除 Ａ ＭＤ Ｆ的均值 下 降趋势 ． 图 １为一浊 音语 音 帧的 Ａ ＭＤ Ｆ经过 Ｅ ＭＤ处 理之后 的分解 结 果 ， 通过 观
一
６３ —
南京师范大学学报 （ 工程技术版 ）
宗
源， 等： 基于 Ｅ ＭＤ 的 Ａ ＭＤ Ｆ基 音 检 测 改 进 算 法
针对 Ａ ＭＤ Ｆ存在 的这 种 问题 ， 本 文提 出一 种 基 于经 验模 式 分解 （ Ｅ ｍ ｐ ｉ ｒ ｉ ｃ ａ ｌ Ｍｏ ｄ ｅ Ｄ ｅ ｃ ｏ ｍ ｐ ｏ ｓ ｉ ｔ ｉ ｏ ｎ ， Ｅ ＭＤ） 的Ａ ＭＤ Ｆ基 音检 测改 进算 法 ， 该 算法 对每 帧浊 音语 音 的 Ａ ＭＤ Ｆ进 行 Ｅ ＭＤ处理 ， 而后 去 除表 示 Ａ ＭＤ Ｆ均值
Matlab基于倒谱和EMD的语音基音周期的提取
---------------------------------------------------------------范文最新推荐------------------------------------------------------ Matlab基于倒谱和EMD的语音基音周期的提取在语音信号处理中，常用的语音特性是基于Mel频率的倒谱系数（MFCC）以及一些语音信号的固有特征，如基音周期等。
倒谱法可以较好地将语音信号中的激励信号和声道响应分离，并只需要用一些倒谱系数就能较好地描述语言信号的声道响应，在语音信号处理中占有很重要的位臵。
而倒谱解卷积法受加性噪声影响比较大，抗噪声性能不是很好。
针对这一存在问题，利用EMD 方法在理论上可以应用于任何类型的信号的分解,在处理非平稳及非线性数据上, 具有非常明显的优势这一优点。
本文中提出一种基于倒谱和EMD的语音基音周期提取的改进算法。
并在Matlab 中予以实现。
关键字：基音周期倒谱法EMD8664TitlePitch Period Extraction of Speech Signals based1 / 8on Cepstrum and EMDAbstractIn voice signal processing, MFCC and some inherent characteristics of voice signals, such as the frequency of pitch. Cepstrum can be used to separate the excitation signal and channel response, and can represent channel response with only a dozen cepstral coefficients. As a result, it has been a very important role in voice signal processing. While cepstrum deconvolution method is largely influenced by additive noise,and anti-noise performance is not very good.The EMD method can be applied to decompose any type of signals,and thus,having a very distinct advantage in handing non-stationary and non-linear data.For this problem,in this paper,an improved algorithm of pitch period extraction of speech signals based on cepstrum and EMD is proposed. Its implementation in MATLAB are described in detail.Key words:pitch periodCepstrumEMD---------------------------------------------------------------范文最新推荐------------------------------------------------------ 目次1 引言11 引言1.1 背景由于语言是人们在日常生活中的主要交流手段，因此语音信号处理在现代信息社会中占用重要地位。
结合EMD与DWT-ACF的语音基音周期检测改进算法
结合EMD与DWT-ACF的语音基音周期检测改进算法
张涛;章小兵;朱明星
【期刊名称】《噪声与振动控制》
【年(卷),期】2018(038)002
【摘要】针对传统小波-自相关算法在噪声环境下检测语音的基音周期会出现偏差和漏报的情况,提出一种经验模式分解下的小波-自相关的基音周期检测改进算法.该算法首先利用经验模式分解去除含噪语音趋势项并减噪,再利用改进的小波-自相关法突出每个基音周期的峰值点,提高了基音周期检测的精度.实验结果表明,该改进方法可有效改善加噪语音在基音提取上出现的偏差误报情况以及避免部分倍频和半频错误,提高基音周期检测速率及准确率.
【总页数】7页(P173-178,192)
【作者】张涛;章小兵;朱明星
【作者单位】安徽工业大学电气与信息工程学院,安徽马鞍山243002;安徽工业大学电气与信息工程学院,安徽马鞍山243002;安徽工业大学电气与信息工程学院,安徽马鞍山243002
【正文语种】中文
【中图分类】TN912.3
【相关文献】
1.基于改进小波变换的语音基音周期检测 [J], 吴兴铨;周金治
2.一种基于线性预测与自相关函数法的语音基音周期检测新算法 [J], 柏静;韦岗
3.一种改进的正弦语音模型基音周期检测算法 [J], 孙华山
4.基于小波变换的语音基音周期实时检测算法 [J], 沈江峰;张刚
5.基于线性预测和小波变换的语音基音周期检测新算法 [J], 马霓;应益荣
因版权原因，仅展示原文概要，查看原文内容请购买。
改进的基音检测算法
摘
要 ： 出了一种改进 的基 音检 测算 法。利用 Ｌ 提 ＭＳ自适应 滤波器对带噪语 音信 号进行语 音增强 ， 求语音信 号的 自相 关函数 再 （ ＡＭＤ ， ＡＣ 峰值 和 ＡＭＤ Ｆ）对 Ｆ Ｆ谷值进 行分析 ， 提取 改进 的ＡＣ ／ ＦＡＭＤ Ｆ加权 平方特征进 行基音检 测。
１ 引言
基音是 指发 浊音 时声带振 动 的周期 ， 音周 期的估 计 称 基
较敏感 时 ， 音检 测精度 明显下降 。针对这些 问题 ， 出一种 基 提 改进 的基于 Ｌ ＭＳ自适 应滤 波和 Ａ ＦＡ Ｃ ／ ＭＤＦ Ｊ权平 方特征 的 ］１ ［ 基 音检 测算 法 。实 验结果 表 明 ， 出的算法检 测效 果 明显 优 提
ｏ Ｆ ＡＭ ＤＦ ｉ ｘ ｒｃｅ ｏ ｄ ｔ ｃ ｅ ｓ ｅ ｃ ｉ ｈＥ ｐ ｒ ｎ ａ ｓ ｌ ｄ ｃ ｔ ａ ｅ ｐ ｏ ｏ ｅ ｉ ｈ ｄ ｔｃｉｎ ａｇ ｒ ｈ ｉ Ｕ ｆＡＣ ／ ｓ ｅ ｔａ ｔｄ ｔ ｅｅ ｔ ｔ ｐ ｅ ｈ ｐｔ ． ｘ ｅ ｍｅ ｔｌ ｒ ｕｔ ｉ ｉａ ｅ ｔ ｔ ｔ ｒ ｐ ｓ ｄ ｐ ｔ ｅｅ ｔ ｏ ｉ ｍ ｓ Ｓ — ｈ ｃ ｉ ｅ ｓｎ ｈ ｈ ｃ ｏ ｌ ｔ
２山东大学 软 件学院 ， ． 济南 ２ ０ ６ ５０ １
１Ｃｏ ｌ ｇ ｆ Ｅｌｃ ｒｃ Ｉ ｆ ｒ ｔ ｎ Ｅ ｇ ｎ ｅ ｉ ｇ， ｎ ｎ Ｉ ｔ ｒ ａ ｉ ｎ ｌ ｃ ｎ ｍｉ ｓ Ｕｎ ｖ ｒ ｉ Ｃｈ ｎ ｓ ａ ４ ０ ０ ， ｉ ａ ． ｌ ｅ ｏ ｅ ｔ ｎ ｏ ｍａ ｉ ｎ ｉ ｅ ｒ ｅ ｉ ｏ ｎ Ｈｕ ａ ｎ ｅ ｎ ｔ ａ Ｅ ｏ ｏ ｃ ｏ ｉ ｅ ｓｔ ｙ， ａ ｇ ｈ １ ２ ５ Ｃｈ ｎ ２ Ｃｏ ｌ ｇ ｆ Ｓ ｆ ｒ Ｓ ａ ｄ ｎ ｉ ｅ ｓｔ Ｊｎ ｎ ２ ０ ６１ Ｃｈ ｎ ． ｌ ｅ ｏ ｏ ｔ ｅ， ｈ ｎ ｏ ｇ Ｕｎ ｖ ｒｉ ｅ ｗａ ｙ， ｉ ａ ５ ０ ， ｉ ａ
一种基于数学形态学的语音基音轨迹平滑的改进算法
一种基于数学形态学的语音基音轨迹平滑的改进算法成新民;蒋天发;李祖欣【摘要】利用了形态学的概念和方法对语音基音轨迹进行平滑滤波,在结构元素的选取方面进行了研究,并针对形态学滤波的特点提出了改进,使算法的精确性进一步提高,复杂性大大降低.实验结果表明,提出的方法对语音基音轨迹进行平滑滤波,在强制性平滑滤波的情况下,能够有效保留语音信号中的某些固有突变和破坏信号的细节特征,更好地达到平滑滤波的效果.【期刊名称】《武汉理工大学学报（交通科学与工程版）》【年(卷),期】2010(034)005【总页数】4页(P1065-1068)【关键词】基音轨迹平滑;形态学滤波;结构元素;基音轨迹;语音【作者】成新民;蒋天发;李祖欣【作者单位】湖州师范学院信息与工程学院,湖州,313000;中南民族大学计算机科学学院,武汉,430073;湖州师范学院信息与工程学院,湖州,313000【正文语种】中文【中图分类】TP391.42基音的检测提取一直是一个被广泛研究的课题，并提出了各种各样的基音检测算法.然而由于浊音信号的周期性表征极其复杂，无论采用哪一种基音检测算法都可能产生基音检测错误，加之噪音干扰，使求得的基音周期轨迹中有一个或几个基音周期估值偏离了正常轨迹（通常是偏离到正常值的2倍或1／2），这种偏离点称为“野点”.这些脉冲噪声类似于图像中的椒盐噪声，故可以采取平滑技术加以纠正. 目前比较常用的基音平滑方法主要有中值滤波算法和线性平滑算法以及它们的组合.它们有一个共同的缺点是在纠正输入信号中不平滑处样点值的同时，也使附近各样点的值做了修改，从而使信号产生了失真.形态学滤波器作为一种非线性滤波器近年来在数字信号处理领域获得了广泛应用，它基于信号的几何特征，利用预先定义的结构元素（相当于滤波窗）对信号进行匹配，以达到提取信号，抑制噪声的目的.形态学滤波在图像处理领域已经获得了很好的效果.由于基音周期轨迹中的野点类似于图像中的椒盐噪声，并联想到形态学滤波能在有效抑制脉冲噪声的同时较好地保持信号的细节，因此将形态学方法用于基音周期轨迹的平滑是可行的［1－2］.本文就是利用了形态学的概念和方法对基音轨迹进行平滑滤波，在滤波窗口的选取方面进行了一些研究，并针对形态学滤波的特点提出了改进，使算法的精确性进一步提高，复杂性大大降低.1 形态学运算数学形态学是以集合论为基础的一种研究方法，它是一种非线性变换.其基本思想是：利用一个称为结构元素的“探针”的移动来收集对象的信息.采用不同的结构元素，可以提取出不同的形状特征，所有的形态学处理都是基于填放结构元素的概念.形态变换一般分为二值形态变换和多值（灰度）形态变换.本文只限于讨论一维离散情况下的多值形态变换.其基本运算包括腐蚀、膨胀、形态开和形态闭.对于定义在整数集D上的离散函数f（n），它关于结构函数g（n）的基本形态变换定义为：由此不难看出，离散形式的膨胀和腐蚀运算实际上等价于离散函数在结构元素（相当于滑动滤波窗口）中的最大和最小值滤波.开运算和闭运算对信号作用产生的效果不同.开运算可以抑制信号中的峰值〔正脉冲〕噪声，而闭运算可以抑制信号中的低谷（负脉冲）噪声.为了同时去除信号正、负两种脉冲噪声，通常可以采用形态开、闭运算的级联组合形式.2 结构元素的选择结构元素的选取是形态学滤波的关键，其形状和大小直接决定了形态运算的效果.所选的结构元素必须既能够有效地抑制噪声，又不损坏信号的细节.而选择结构元素并没有确定的规则和定律，通常要根据信号的几何形态和变化特征进行选择.几种常用的结构元素如图1所示.图1 几种常用的结构元素对于直线段，无疑图1a）所示的平结构元素是最合适的，但是它对于曲线段却通常会引入一些阶梯状变化［3］，破坏了原始图像的几何性状；图1b）所示的星形结构元素通常适合于曲线段，而在直线段部分则会引起一些波动；图1c）所示的圆盘形结构元素是一种折衷.考虑到语音信号的基音轨迹的特点：在短时间内变化比较缓慢，基音轨迹大部分区域比较平滑，但是在某一部分又有可能出现连续的错误点和随机误差，即出现较宽的脉冲噪声，因此本文采用了如图2所示的结构元素.图2 本文采用的结构元素3 改进的算法开运算可以抑制正脉冲，闭运算可以抑制负脉冲，开－闭，闭－开的级联形式运算虽然可以同时滤除信号的正、负脉冲噪声，但是存在统计偏移现象.这是由开运算的收缩性和闭运算的扩展性造成的，结果导致开－闭滤波器的输出幅度偏小，而闭－开滤波器的输出幅度偏大.虽然取两者的平均可以消除统计偏移现象［4－5］，但是计算量和复杂性势必很大，因为对信号中的每一个样点都进行了数次开、闭运算，而且多次形态学运算的微小变形累加的结果，仍然会造成信号一定程度上的失真.本文提出的算法是对基本的形态运算加入一些改进，使得形态学的腐蚀和膨胀操作仅作用于那些“野点”，从根本上消除了统计偏移现象，并使算法的复杂性和计算量大大降低，精确性却得到提高.腐蚀和膨胀运算实际上是离散函数在滑动窗口中的极值运算，这是引起开运算的收缩性和闭运算的扩展性以及开－闭、闭－开的统计偏移的根本原因.可以做这样一种改进：将每次极值运算得到的值作为一个参考值，而不是直接取代被考察的样点的值，将样点值与这个参考值之差与一个阈值相比较，如果差值大于这个阈值，则认为被考察的样点是一个野点，用参考值取代之，否则保留样点的值不变.即对于腐蚀操作，如果则式中：阈值T可以取为对于膨胀操作，如果这样，对于一个相同的结构元素，经过一次改进的开运算，正脉冲被消除了，经过一次改进的闭运算，负脉冲被消除了，而那些不是野点的样点值被原封不动的保存了下来.于是整个基音轨迹的平滑过程简化为只需要一次开运算和一次闭运算.4 实验及结果分析实验中选择时长各约3～6s的男、女、童音三段语音，分别采用自相关函数（ACF）法、平均幅度差函数（AMDF）法和倒谱（CEP）法对三段语音进行基音检测［6－7］.然后用本文提出的基音轨迹平滑算法对基音轨迹进行平滑，并与采用5点中值滤波得到的平滑结果进行比较.考虑到基音轨迹中相邻帧的频率之差一般不超过10Hz，而隔帧之间的频率差不超过20Hz，因此将本算法中的阈值取为20Hz，并采用前面提到的结构元素进行了实验.实验结果如表1所列.表1 三段语音的基音轨迹平滑前后的检测误差帧数ACF法AMDF法CEP法平滑前平滑后平滑前平滑后平滑前平滑后男音（214帧）中值滤波法56 7 75 1618 5数学形态学法56 1 75 3 18 1女音（222帧）中值滤波法58 6 90 14 25 5数学形态学法58 2 90 3 25 1童音（287帧）中值滤波法69 9 90 11 50 7数学形态学法69 3 90 2 50 2合计（723帧）中值滤波法183 22 255 41 93 17数学形态学法183****8934然后选用一段男声的汉语普通话发音作为实验材料，实验过程框图如图3所示.汉语“你知道这件事”的原始语音信号的时域波形如图4所示.先用自相关法进行基音检测得到图5所示的基音轨迹，然后用本文提出的基音轨迹平滑算法对基音轨迹进行平滑得到图6所示的实验结果，同时采用5点中值滤波得到的图7所示的平滑结果.同样地，对一段较长的汉语普通话“你们看那只新天鹅……”进行试验，得到如图8～11所示的结果.图3 实验过程框图图4 汉语“你知道这件事”原始语音信号的时域波形图5 汉语“你知道这件事”未经平滑的基音轨迹图6 汉语“你知道这件事”经过本文方法平滑的基音轨迹图7 汉语“你知道这件事”经过5点中值滤波平滑的基音轨迹图8 汉语“你们看那只新天鹅……”原始语音信号的时域波形图9 汉语“你们看那只新天鹅……”未经平滑的基音轨迹图10 汉语“你们看那只新天鹅……”经过本文方法平滑的基音轨迹通过实验得到波形，将经本文方法平滑的基音轨迹与经过5点中值滤波平滑的基音轨迹进行比较.可以看出，采用本文提出的方法能够有效地滤除倍频和半频噪声，同时还较好地保持了信号的细节，而且对于连续的错误点和随机误差点具有更好的平滑效果.图11 汉语“你们看那只新天鹅……”经过5点中值滤波平滑的基音轨迹5 结束语形态学滤波是一种非线性滤波方法，原理简单，而且其本身固有的并行性使得运算简单，速度较快.基于对象几何特征的特点决定了形态学方法对滤除脉冲噪声非常有效，无论在二维的图像处理领域还是用于处理一维信号的“野点”.通过选取不同形状和大小的结构元素，可以实现不同的平滑效果.传统的中值滤波平滑是一种强制性平滑，可能平滑掉信号中的某些固有突变，破坏信号的细节特征，形态学运算实际上是极值运算，也可能存在这个问题.而本文提出的方法则有效地解决了这个问题.参考文献［1］江太辉.一种改进的语音基频轮廓提取算法［J］.五邑大学学报，2002，16（2）：27－33.［2］郭景峰，申光宪，郑绳楦，等.数学形态学在数字滤波中的应用研究［J］.机械工程学报，2002，38（10）：144－147.［3］赵晓群，王光艳.汉语语音基音轨迹的形态学滤波和平滑［J］.信号处理，2003，19（4）：354－357.［4］王钧铭，赵力.一种基于数学形态学的车牌图像分割方法［J］.电视技术，2007，31（10）：84－86.［5］陈燕，谭玉敏，宋新山，等.基于遥感图像的地学信息单元特征提取与识别［J］.武汉理工大学学报：交通科学与工程版，2008，32（6）：1021－1024. ［6］Yu P T，Some representation properties of stack filters［J］.IEEE Transactions on Signal Processing，1992，40（9）：2261－2266.［7］Gonzalo R A.Statistical threshold decomposition for recursive and norecursive median filters［J］.IEEE Transactions on Information theory，1986，32（2）：243－253.。
基于EMD的基音检测预处理技术
基于EMD的基音检测预处理技术刘维巍;张兴周;李春阳【摘要】针对基音检测的性能严重受背景噪声影响的问题,论文基于经验模态分解(EMD)理论,研究了含噪语音信号的EMD分解特性,参照小波阈值去噪方法,提出了一种基于EMD的自适应语音去噪算法,并且针对软、硬阈值函数的不足提出了一种新的阈值函数.MATLAB仿真结果表明,该方法可以有效地去除噪声,较好地恢复语音信号,与小波阈值去噪方法相比,信噪比、均方根误差等性能指标均有明显提高.【期刊名称】《应用科技》【年(卷),期】2010(037)007【总页数】4页(P56-59)【关键词】经验模态分解;语音去噪;信噪比;均方根误差【作者】刘维巍;张兴周;李春阳【作者单位】哈尔滨工程大学信息与通信工程学院,黑龙江,哈尔滨,150001;哈尔滨工程大学信息与通信工程学院,黑龙江,哈尔滨,150001;哈尔滨工程大学信息与通信工程学院,黑龙江,哈尔滨,150001【正文语种】中文【中图分类】TP912基音周期是语音信号的重要参数之一，准确而快速的基音周期检测对语音信号的合成、编码、识别等具有重要意义[1].基音周期的估计称为基音检测.在实际应用中，背景噪声强烈影响基音检测的性能，为了从带噪语音信号中获得尽可能纯净的语音信号，减少噪声的干扰，提高基音检测的准确性，必须去除背景噪声等干扰的影响. 经验模态分解（empirical mode decomposition，EMD）是Norden E.Huang等人于1998年提出的一种新的信号分解方法[2].EMD的本质是通过信号本身的特征尺度来获得本征模态函数（instrinsic mode function，IMF），它一方面具有小波变换多分辨率的优点，另一方面又克服了小波变换中选择合适的小波基的困难；因此，可以有效地处理非平稳信号，且比小波变换更具有良好的适应性.文中研究了EMD方法在基音检测预处理中语音信号去噪中的应用，根据白噪声和语音信号在EMD下不同的分解特性，参照小波阈值去噪方法[3]，提出了一种基于EMD的自适应语音去噪算法，并进行了MATLAB仿真实验.1 经验模态分解原理EMD是一种自适应的、高效的数据分解方法.通过对非平稳信号的分解获得一系列表征信号特征时间尺度的本征模态函数.IMF分量必须满足以下2个条件：1）整个信号中极值点的个数与过零点的个数相等或至多相差1；2）信号上的任意点处，由所有局部极大值点确定的上包络和由所有局部极小值点所确定的下包络的均值为零.EMD通过一种“筛分”的处理过程来实现对信号的分解，其具体的步骤如下：1）把原始信号x（t）作为待处理信号，确定该信号的所有局部极大值点和极小值点.将所有极大值点和极小值点分别用3次样条曲线连接起来，得到上下2条包络线.2）根据上下包络线求出原始信号x（t）的局部均值 m（t）.3）从待处理信号x（t）中减去其上下包络线均值 m（t），得到4）检验h1（t）是否满足本征模态分量的2个条件.如果不满足，则把h1（t）作为待处理信号重复上面操作，直至h1（t）是一个本征模态分量，记5）从原始信号x（t）中分解出第1个本征模态分量c1（t）之后，从x（t）中减去c1（t），得到剩余值序列r1（t）：6）把r1（t）作为新的“原始”信号重复上面操作，依次可得到第2、3直至第n 个本征模态分量，记为c1（t），c2（t），…，cn（t），直到rn（t）满足分解终止条件，得到信号x（t）的所有IMF分量{ci（t）}和一个余量rn（t），即2 基于EMD的自适应去噪算法2.1 EMD去噪原理假设含噪语音信号模型可以表示为式中：f（t）为含噪语音信号，s（t）是纯净语音信号，n（t）是方差为σ2的高斯白噪声，则EMD去噪的基本思路可以用图1来表示.图1 EMD去噪原理框图基于EMD去噪的具体算法步骤如下：1）对含噪语音信号f（t）进行EMD分解，得到不同尺度下的IMF分量.2）对每一个IMF分量选取一合适的阈值τk，并用此阈值对其所在尺度的IMF分量进行阈值处理，处理后的IMF分量分别为1（t），2（t），…，n（t）.3）重构信号，得到消噪后的语音信号根据以上分析可见，EMD阈值去噪效果的好坏、阈值的确定和阈值函数的选择是关键，以下分别对这两方面内容进行研究.2.2 自适应阈值处理对被白噪声污染的语音信号进行EMD分解.研究发现，噪声的影响通常表现在各个尺度上，随着分解层数的增加，噪声的能量也随之逐渐减小，第k个IMF分量中的噪声能量Enk可通过以下公式进行估计[4]：式中：β、ρ为参数，其值分别为 0.719、2.01，E1为第一层IMF分量中噪声的能量，由于第一层IMF分量中的主要成分为噪声，因此E1近似等于第一层IMF分量的能量，即设Ek表示第k层IMF分量的能量，该层IMF分量的能量由语音信号分量能量Esk和噪声分量Enk能量组成，即对一段含高斯白噪声的语音信号进行EMD分解，各尺度下的IMF分量能量与噪声能量分布如图3所示.图2 能量分布曲线相对于噪声，语音信号的频率较低，主要集中在300～3 400 Hz之间.EMD分解方法同小波变换一样，总是将信号中的高频分量先分解出来，因此，语音成分迟些才被分解出来.由图2可见，语音信号的主要成分集中分布在第2～5个IMF分量中，将第2～5个IMF分量做阈值处理，再进行重构，就可以较好地去除噪声，恢复原始语音信号.通过比较Esk和Enk来判断第k层IMF分量的主要成分是语音分量还是噪声分量，从而自适应地进行阈值处理.令λk=Enk/Ek，表示噪声分量在该层IMF分量中所占的能量比例，则自适应阈值处理表达式如下：式中：[ck（t），τk]是阈值函数，C为常数，ck（t）^为经过阈值处理后的IMF分量，阈值τk的取值是自适应的，随分解层数的变化而变化.由式（11）可见，当λk＞C 时，认为该 IMF 分量主要成分为噪声，直接将该IMF 分量系数置零；当λk≤C时，则认为该IMF分量中主要成分为含有少量噪声的语音信号，对其进行相应的阈值处理.通常将C的值设为0.8.2.3 改进的阈值函数常用的阈值函数主要有硬阈值函数和软阈值函数2种[4-7]，它们的定义如下：硬阈值函数：软阈值函数：软、硬阈值函数如图3所示.图3 软、硬阈值函数硬阈值函数是将绝对值小于阈值的系数置零，而将绝对值大于阈值的系数予以保留.软阈值函数是在处理绝对值大于阈值的系数做收缩处理，即减小这些系数.虽然软、硬阈值函数在实际应用中取得了很好的效果，但也存在着一定缺陷.在硬阈值方法中，消噪后的系数ck（t）^在阈值-τk和τk处是不连续的，重构时容易在这些不连续点上产生Pseudo-Gibbs现象；而经过软阈值方法处理过的系数虽然连续性较好，但ck（t）^和ck（t）之间存在恒定的偏差，这将影响到重构的精度，为有效弥补软、硬阈值方法的不足，构造了一种新的阈值函数为图4 新阈值函数（对应不同m的值）由图4可以看出，新阈值函数是连续的，一方面消除了硬阈值方法中容易产生间断点的缺点；另一方面减小了软阈值方法中产生的恒定偏差，提高了重构的精度.通过调节参数m的大小可以获得很好的去噪效果；因此，新阈值函数较软、硬阈值函数更加灵活.通过大量实验，当m在2～3之间取值时，去噪效果最佳，这里的m取值为2.5.3 实验仿真与分析实验中所选的纯净语音信号为男声“计算机”，采样频率为8 kHz，叠加的噪声为高斯白噪声.为说明新阈值函数在EMD阈值去噪算法中优于软、硬阈值函数，对信噪比为5dB的含噪语音信号（如图5所示）分别采用软、硬阈值函数和新阈值函数进行去噪处理，处理后的语音信号如图6所示.图5 纯净语音信号和加噪语音信号图6 不同阈值函数去噪后的语音信号从仿真的结果可见，3种阈值方法都基本恢复了原始语音信号.但硬阈值方法得到的信号在部分区域含有噪声点；软阈值方法得到的信号不能够很好地反映原始信号，应该出现尖峰的地方被平滑了，以及不连续的点反映成连续，而且与原始纯净语音信号的幅度存在一定的偏差；而新阈值方法较好地弥补了以上的不足，很好地恢复了原始信号.为了进一步验证EMD阈值去噪算法的有效性和优越性，利用信噪比SNR和均方根误差RMSE这2个性能指标对小波软阈值去噪方法和文中基于EMD的新阈值去噪方法的降噪效果进行比较.信噪比和均方根误差的定义如下：式（16）、（17）分别表示输入信噪比和输出信噪比，式中：f（n）为含噪语音信号，s（n）为纯净的语音信号，s（n）^为消噪后的语音信号，N为信号的长度.实验选用的小波为dB8小波，最大分解尺度取为4，采用启发式阈值选择.2种去噪方法对不同信噪比的含噪语音信号去噪后的SNR和RMSE的计算结果列于表1. 表1 不同去噪方法的信噪比和均方根误差对比小波软阈值本文算法SNRin/dBSNRout/dBRMSESNRout/dB RMSE 10 12.980 4 0.016 7 13.380 5 0.015 9 5 10.140 2 0.023 1 10.756 2 0.021 5 0 5.771 2 0.038 2 7.575 7 0.031 0-5 1.457 7 0.062 7 3.872 5 0.047 5信号的输出信噪比越高，均方根误差越小，说明去噪的效果越好.从表1中的数据对比可以看出，文中的基于EMD的新阈值去噪算法较小波软阈值去噪方法，在信噪比和均方根误差这2个性能指标上均有明显的提高.去噪效果优于小波软阈值方法.4 结束语分析了含噪语音信号的EMD分解特性，根据IMF分量中的成分“主信”还是“主噪”，自适应地对语音进行去噪处理.仿真结果表明，基于EMD的3种阈值方法都能有效去除语音信号中的噪声，其中新阈值方法去噪效果最好.与小波软阈值去噪方法相比，文中算法避免了小波基、分解层数的选择，信噪比和均方根误差两性能指标均有明显提高，可以自适应有效地去除噪声.参考文献：[1]冯康，时慧琨.语音信号基音检测的现状及展望[J].微机发展，2004，14（3）：95-101.[2]HUANG N E，SHEN Z，LONG S R，et al.The empirical mode decomposition and the Hilbert spectrum for nonlinear and non-stationary time series analysis[J].Proceedings of the Royal Society of London，1998，454：903-995.[3]刘汉忠.基于小波变换的声信号去噪处理方法[J].声学与电子工程，2003（4）：11-14.[4]HUANG N E，SHEN S S P.The Hilbert-Huang transform and its application[M].New Jersey：World Sciencific，2005.[5]DONOHO D L，JOHNSTONE J M.Ideal spatial adaptation by wavelet shrinkage[J].Biometrika，1994，81（3）：425-455.[6]DONOHO D L.De-noising by soft-thresholding[J].IEEE Trans.on Information Theory，1995，41（3）：613-627.[7]高云超，桑恩方，许继友.分离EMD中混叠模态的新方法[J].哈尔滨工程大学学报，2008，29（9）：963-966.。
一种改进的基音周期检测方法
一
般 选 择 １０ ２ ０ （ ０ ｚ １～ ０Ｔ ） ２ — ４ 点 ８０ ０Ｈ ，５ ３ Ｉ 。 ＩＳ
Ｍａ ａ 上进行仿真 ， ｔｂ ｌ 实验证 明， 准确性得到提高 。
短 时能量分析 ： 语音 信号 的大部分能量 集 中在浊
Ｔ ｅ ｉ ｎ ｌ ｓ ｒ ｔ ａ ｅ ｂ ｂ ｎ — ａ ｓ ｆ ｔｒ ｎ ｅ ｔ ｒ ｌｐ ｉ ｇ ｏ ｒ ｄ ｃ ｔ ｅ ｆ ｃ ｓ ｏ ｅ ｏ ｄ ａ ｍｏ ｉ．Ｔ ｅ ｈ ｓｇ ａ ｉ ｐ ｅｒ ｔ ｄ ｙ ａ ｄ ｐ ｓ ｌ ，ａ ｄ ｎ ｅ ｓ ｉ ｐ ｎ ｔ ｅ ｅ ｄ ｔ ａｔ ｒ ｌ ｐ ｎ ｉ ａ ａ ｆｅ ｃｉ ｉ ｇ ｓ ｓ ｄ ｈ ｌ ｃ ｌｕ ａ ｉ ｇ ｈ ａ ｔｃ ｒｅ ａｉ ｎ ｏ ｆ ｃｅ ｔ ｎ ｔ ｅ ｅ ｒ ｅ ｆ ｈ ｃ ｍｐ ｅ ｉ ｐ ｕ ｅ ｗ ｉ ｅ ａｃ ｌｔ ｔ ｅ ｕ ｏ ｏ ｒ ｌ ｔ ｃ ｅ ｉｎ ａ ｄ ｈ ｄ ｇ ｅ ｏ ｔ ｅ ｏ ｌ ｘ ｓ ｎ ｏ ｉ ｒ ｄ ｃ ｄ ｇ ｅ ｔ ．Ｔ ｅ ｓ ｏ ｈ ｎ ｔ ｏ ｉ ｔｉ ｓ ｔ ｅ ｓｅ ｆ ｐ ｔｈ ａ ｄ ｍｏ ｔ ｉ ｈ ｅ ｕ ｅ ａｌ ｒ ｙ ｈ ｍｏ ｔ ｉ ｇ ｍｅｈ ｄ ｍａｎ ａ ｎ ｔｐ ｏ ｉ ｎ ｓ ｏｈ ｐ ｔ ． ｈ ｃ ｃ
语音 技术 ⑨＠ ＠ 响 ⑨⑨ ６＠ ＠ 润 ０ Ｕ
文章 编号 ：０ ２ ８ ８ （０ １ ０ — ０ ３ ０ １ ０ — ６ ４ ２ １ ）４ ０ ５ — ３
一
种改进 的基音周期检测 方法
曾树 华
・
论文 ・
（ 南铁路科技职 业技 术学院， 湖 湖南 株 洲 ４ ２０ ） １０ ３
一种基于改进EMD的语音去噪方法
一种基于改进EMD的语音去噪方法张君昌;赵莉【期刊名称】《计算机仿真》【年(卷),期】2011(28)8【摘要】Speech signal is corrupted inevitably by noise which results in speech distortion during generation, transmission and reception process. In this paper, Empirical Mode Decomposition (EMD) for non -stationary and nonlinear signal analysis is applied to speech de - noising. Moreover, focusing on the problems of envelopes fitting and interpolation selection in conventional EMD, an improved EMD is proposed, which uses cubic Hermite interpola-tion instead of cubic spline for signal envelopes fitting, and doubly - iterative sifting method instead of local extrema for interpolation points selection. Thus, the errors of algorithm can be reduced, and overshoots or undershoots be a-voided. Simulation shows that the proposed method decreases speech distortion and increases output SNR, compared with speech de - noising based on wavelet and conventional EMD.%语音信号在产生、传输及接收过程中,不可避免会受到噪声干扰从而引起失真.针对传统经验模态分解算法存在的包络线拟合和插值点选择问题,为减少语音失真,提高语音质量,提出了一种改进的经验模态分解算法.采用分段三次埃尔米特插值代替三次样条来计算信号包络,并结合内、外双迭代法代替局部极值来求插值点,从而降低了算法的分解误差,避免了拟合时的过冲欠冲现象.仿真结果表明,与小波变换和传统经验模态分解的语音去噪相比,提出的算法减少了语音的失真,提高了输出信噪比.【总页数】5页(P397-400,412)【作者】张君昌;赵莉【作者单位】西北工业大学电子信息学院,陕西西安710129;西北工业大学电子信息学院,陕西西安710129【正文语种】中文【中图分类】TN912.3【相关文献】1.基于改进小波阈值和EMD的语音去噪方法 [J], 李洋;景新幸;杨海燕2.基于EEMD和ICA的语音去噪方法 [J], 李晶皎;安冬;王骄3.中美贸易摩擦背景下我国股市行业间风险传递研究——基于改进的EEMD去噪方法 [J], 罗千惠4.基于余弦相似的改进CEEMD脑电信号去噪方法 [J], 汤伟;耿逸飞5.基于EMD和改进小波阈值的地震信号去噪方法 [J], 巨鑫;郑小鹏;武科含;周健;商冬明;徐静霞因版权原因，仅展示原文概要，查看原文内容请购买。
一种改进的基于小波变换的基音周期提取算法
一种改进的基于小波变换的基音周期提取算法作者：曹清华，王亮来源：《科技资讯》 2011年第9期曹清华王亮(中国矿业大学(北京)机电与信息工程学院北京 100083)摘要:基音周期是语音信号重要的参数之一,是进行语音信号数字处理的基础。
针对传统自相关提取方法的不足。
本文提出了一种小波变换和自相关结合的基音周期检测算法,它克服了小波变换法对某些信号检测时的缺点,在真实语音的基音周期检测中取得了较为满意的效果。
关键词:小波变换自相关基音周期中图分类号:TP391.4 文献标识码:Ａ文章编号:1672-3791(2011)03(c)-0243-02在语音信号数字处理领域里,无论是编码、识别,还是合成,语音信号的基音周期都起着非常重要的作用。
基音周期是语音信号处理重要的参数之一,基音是指发浊音时声带所引起的周期性振动,基音周期值是声带振动频率的倒数。
由于语音信号的非平稳性,以及声门激励波形并不是一个完全的周期序列,到目前为止,还没有一个能在任何情况下较为满意地估计出各种语音信号基音周期的方法[1]。
处理语音信号的一般思想是将信号进行分帧,在每帧中将信号视为平稳信号来进行处理,传统的分析方法是采用傅里叶分析方法。
小波变换理论对时变信号的分析优于传统的短时傅里叶变换,它为非平稳信号分析和处理提供了有力的工具,也为较精确的语音信号基音周期估计提供了可能。
本文研究将小波变换与传统的自相关基音提取法相结合,提出了一种改进的基音周期提取算法。
1 原理1.1 传统自相关提取基音算法设语音信号经窗长为N的窗口截取为一段加窗语音信号,可以定义为:浊音信号的自相关函数在基音周期的整数倍位置上出现峰值,而清音的自相关函数没有明显的峰值出现。
因此检测自相关函数是否出现峰值就可以判断是清音还是浊音,而峰—峰值之间就是基音周期。
短时自相关函数法基音检测的主要原理是利用短时自相关函数的这一性质,通过比较原始信号和它的移位后信号之间的相似性来确定基音周期。
基于ACF和AMDF的基音检测改进算法
周期处产生一个极大值， 因此通过计算语音信号的自
相关函数，找到极大值位置，就可以估计信号的基音周
期。 这种算法的优点是算法简单，提取出的基音周期较
为精确。
对 于 离 散 的 数 字 语 音 信 号 序 列 x（n）如 果 具 有 周
期性，即
x（n）=x（n+NP）
（1）
则其自相关函数也是同周期的周期函数，即
基音周期检测算法主要有两类：时域法和频域法。 时域法的特点是比较直观且运算量小， 缺点是抗噪声 性能差，容易产生倍频和半频现象，主要方法有自相关 函数法、平均幅度差函数法等。频域法的特点是抗噪声 的性能较好，但是算法比较复杂，运算量较大，主要方
輩輮讂
2011年 第 35 卷 第 01 期
法有普通频域算法和倒谱法等[3]。
【Abstract】 The Auto Correlation Function （ ACF ） and the Average Magnitude Difference Function （ AMDF ） are
two commonly used method of pitch detection . They have independent and similar statistical characteristics .
图 2 为采用平均幅度差函数法进行基音周期检测 的仿真结果，这里仍采用上例所示的男声语音材料，从 实验结果可以看出， 由于重叠的波形越来越短，AMDF 曲线的值也越来越小， 可以将 AMDF 的值除以重叠的 点数来改善这种变化，这里不再详述。
2.2 AMDF 法
由于自相关函数本身的乘加运算，所以计算不会
基于自相关函数和平均幅度差函数的算法是基音 周期估计的 2 种常用方法。 两者具有独立且相似的统 计特性，即自相关函数在基音周期处表现为峰值，而平 均幅度差函数表现为波谷，因此可以同时运用 ACF 和 AMDF 的特点， 求取 ACF/AMDF 或 AMDF/ACF 的商， 对应基音周期处应出现更明显的峰值或谷值， 从而提 高基音检测的准确程度。
一种基音周期估计的改进CAMDF算法
© 1994-2010 China Academic Journal Electronic Publishing House. All rights reserved.
第4期
杨莎等 :一种基音周期估计的改进 CAMDF 算法
775
3. 2 改进 CAMDF 算法 在 CAMDF 算法的基础上 ,为了更好的简化算
Speech pitch determination based on the improved circular AMDF
YA N G S ha , X IA Xi u2Y u , Z HA N G Y u2S heng , TA N G B ang2You
(College of Electronics Information , Sichuan University , Chengdu 610064 ,China)
一种基音周期估计的改进 CAMDF 算法
杨 莎 , 夏秀渝 , 张余生 , 唐邦友
(四川大学电子信息学院 , 成都 610064)
摘 要 : 本文首先介绍了传统基音周期估计算法 :ACF 算法和 AMDF 算法. 为了克服 AMDF 算法容易导致估计出的基音周期加倍的缺陷 ,本文重点阐述了 CAMDF 基音周期估计算法 ,并 提出了改进 CAMDF 算法. 该法是在 CAMDF 算法之前 ,对语音信号进行降比特处理. 实验表 明 ,改进 CAMDF 算法在降低对处理器件复杂度和精度方面要求的同时并不会影响基音周期 的估计效果. 最后 ,本文进行了各种基音检测算法的仿真比较 ,实验表明改进 CAMDF 算法在 基音估计效果上具有很好的准确性和稳定性. 关键词 : ACF ;AMDF ; W2AMDF ;M2AMDF ;CAMDF ;基音检测 中图分类号 : TP207. 7 文献标识码 : A
改进LVAMDF及综合多因素基音检测算法
改进LVAMDF及综合多因素基音检测算法薛帅强;陈波;陈菲【摘要】在对语音信号静音、清音、浊音划分的基础上,针对语音信号周期特征明显段分布随机性问题,提出改进的变长度平均幅度差函数LVAMDF及综合多因素基音检测算法,该算法对语音信号进行周期特征明显段和周期特征不明显段的聚类划分,同时,获取周期特征明显语音段的所有基音周期的起止端点,针对少数基音周期划分倍频或半频问题,提出识别、修正方法,其识别、修正率极高;在对大量真实语音处理中,能够精确地检测出语音特征明显段的基音周期端点,基本没有倍频和半频划分,并且和AMDF、ACF算法作了对比.【期刊名称】《计算机测量与控制》【年(卷),期】2016(024)004【总页数】4页(P253-256)【关键词】改进的变长度平均幅度差函数;综合多因素;精确基音周期;修正倍频或半频【作者】薛帅强;陈波;陈菲【作者单位】西南科技大学计算机科学与技术学院,四川绵阳 621010;西南科技大学计算机科学与技术学院,四川绵阳 621010;西南科技大学计算机科学与技术学院,四川绵阳 621010【正文语种】中文【中图分类】TP391.42语音基音周期是人类在发浊音过程中，声带振动的最小周期。
语音基音周期检测的准确性，对语音识别、语音压缩、语音编解码、语音合成、说话人识别与语种辨识等等有至关重要的作用[1]。
语音基音周期检测方法有很多种，平均幅度差函数法(average magnitude difference function，AMDF)[2-4]、变长度短时平均幅度差函数法(length varied average magnitude difference function，LVAMDF)[5-7]、自相关函数法(autocorrelation function，ACF)[8]、希尔伯特-黄变换方法(hilbert-huang transform，HHT)[9]、小波变换法[10]等等，其中，LVAMDF是运算最简单的方法，在实时语音处理过程中，底层运算应尽可能简单、稳定，由于传统的LVAMDF没有对处理对象做选择，所以在处理不适应此方法的语音段时，会划分错误，而且在处理适应此方法的语音段时，有较多的倍频和半频划分。
磁声电无损检测及改进的EMD消噪方法
磁声电无损检测及改进的EMD消噪方法摘要中国科学院电工研究所、中国科学院大学的研究人员吕敬祥、刘国强，在2018年第17期《电工技术学报》上撰文，提出一种磁声电无损检测方法，该方法具备超声检测的高空间分辨率，同时又能克服涡流检测的趋肤效应，为检测高电导率材料提供新的检测手段。
首先根据生物组织中磁声电成像的研究成果，推导了固体材料中声场正问题和电磁场正问题，证明了该方法的可行性；其次，针对检测信号的噪声问题，深入分析了磁声电无损检测信号中噪声的组成和特性，提出一种混合阈值经验模态分解（EMD）消噪算法，该方法结合了EMD-DT和EMD-IT各自的优势；最后，设计了实验系统，并测得磁声电缺陷信号，进一步验证了该方法的可行性。
仿真和实测信号的结果表明，改进的EMD消噪方法能获得较好的去噪效果，有效地提高了信号信噪比。
速度较快且相对容易应用，但仅适用于铁磁材料。
由此可知，每一种无损检测方法都有其适用的检测对象与检测能力范围及相应的局限性，如有的检测技术的检测灵敏度低，有的对环境有污染，有的对检测人员有毒副作用，探索新的检测方法一直是无损检测技术的研究热点。
为此，本文提出一种基于磁声电效应的无损检测方法，在此称为磁声电无损检测。
该方法通过声场和电磁场的相互作用，能有效提高检测的空间分辨率且克服了涡流检测仅能检测表面缺陷的缺点。
磁声成像和磁声电成像是2005年由明尼苏达大学提出并应用于生物医学领域的两种对偶模式的成像方法[8-10]。
实际上，在生物组织（低电导率材料）中，这两种成像方法都包含磁声效应和磁声电效应，但是可以证明，对于磁声成像，其中的磁声电效应可以忽略；对于磁声电成像，其中的磁声效应可以忽略[11]。
而对于金属材料（高电导率材料），在两种成像方法中，磁声效应和磁声电效应都不可忽略。
显然，对于高电导率检测而言，磁声成像的物理过程与电磁超声无损检测的物理过程非常相近，那么，能否将生物医学磁声电成像发展成为用于高电导率材料的无损检测技术呢？本文课题组于2006年开始了医学磁声电成像研究[12]，前期研究发现，借鉴这种医学成像方法经过技术改进，可以用于材料的无损检测。
语音多带激励模型基音搜索算法的一种改进
语音多带激励模型基音搜索算法的一种改进
付强;田斌;田红心;易克初
【期刊名称】《西安电子科技大学学报》
【年(卷),期】1999(26)5
【摘要】深入分析了ＭＢＥ模型分析算法的复杂度，认为原算法中的双闭环基音搜索结构有很大的改进余地，提出了一种基于Ｂ－样条二进离散子波变换（Ｂ－ＳＤｙＷＴ）基音检测法的改进ＭＢＥ模型分析算法．其关键在于利用Ｂ－ＳＤｙＷＴ基音检测原理将这种双闭环搜索算法改造成先开环后闭环的结构．理论分析说明，这种改造可以大幅度地降低基音搜索的复杂度，而不降低其性能．通过仿真实验对改进前、后的ＭＢＥ模型基音搜索算法的复杂度、准确度以及抗噪声能力等方面进行了全面的对比分析．得出的结论是改进算法与原算法相比各项性能均不低于原算法甚至有所改善，特别是证实了理论分析中的复杂度降低作用．
【总页数】4页(P619-622)
【关键词】多带激励模型;复杂度;语音编码;基音搜索算法
【作者】付强;田斌;田红心;易克初
【作者单位】西安电子科技大学综合业务网国家重点实验室
【正文语种】中文
【中图分类】TN912.31
【相关文献】
1.一种基于数学形态学的语音基音轨迹平滑的改进算法 [J], 成新民;蒋天发;李祖欣
2.一种改进的汉语语音基音检测算法 [J], 李平;胡慧之
3.一种改进的正弦语音模型基音周期检测算法 [J], 孙华山
4.MBE语音模型中快速基音细搜索算法的研究 [J], 张军;肖自美;韦岗
5.矢量量化法用于改进的多带激励声码器一种极低比特率语音编码方案 [J], 刘波涛;匡镜明
因版权原因，仅展示原文概要，查看原文内容请购买。
噪声环境中的 EMD 改进算法
噪声环境中的 EMD 改进算法刘迎军;杨志景;董健卫;李淑龙【摘要】Recently , an adaptive method called Empirical mode decomposition ( EMD ) is proposed for signal analysis .It has attracted great deal of attention and been used in many areas successfully since its advent .However , when the signal is contaminated by noise , EMD suffers from the drawback of over de-composition and likely is affected by noise , which severely restricts its applications .In order to solve this problem , an improved version of EMD is proposed .During the first decomposition circle , the original cu-bic spline interpolation is replaced by the smoothing spline fitting , which can avoid the over decomposi-tion problem and then reduce the disturbance of noise component .Simulations validate the improvement of the new proposed method .Moreover , two real climate data examples show the effective and superiority of the new method for real signals .%经验模式分解（ Empirical Mode Decomposition ， EMD）是近年来出现的一种自适应的信号分解算法，该方法受到了广泛的关注，被成功应用于许多领域。
- 1、下载文档前请自行甄别文档内容的完整性，平台不提供额外的编辑、内容补充、找答案等附加服务。
- 2、"仅部分预览"的文档,不可在线预览部分如存在完整性等问题,可反馈申请退款(可完整预览的文档不适用该条件!)。
- 3、如文档侵犯您的权益，请联系客服反馈,我们会尽快为您处理(人工客服工作时间：9:00-18:30)。
结合EMD与DWT-ACF的语音基音周期检测改进算法张涛;章小兵;朱明星【摘要】针对传统小波-自相关算法在噪声环境下检测语音的基音周期会出现偏差和漏报的情况,提出一种经验模式分解下的小波-自相关的基音周期检测改进算法.该算法首先利用经验模式分解去除含噪语音趋势项并减噪,再利用改进的小波-自相关法突出每个基音周期的峰值点,提高了基音周期检测的精度.实验结果表明,该改进方法可有效改善加噪语音在基音提取上出现的偏差误报情况以及避免部分倍频和半频错误,提高基音周期检测速率及准确率.%Deviation or omission may occur in speech pitch detection in Low SNR circumstances when using traditional discrete wavelet transform-autocorrelation function algorithm.This paper proposes an improved algorithm based on empirical mode decomposition(EMD)and discrete wavelet transform-autocorrelation function(DWT-ACF).First of all, the EMD process is used to remove the noisy speech trend items and reduce the noise.Then, the improved DWT-ACF is used to highlight the peak value of each pitch period to raise the accuracy of the pitch period detection.The experimental results show that the improved method can effectively reduce the frequency doubling and half frequency errors of noisy speech in pitch extraction so that the situation of the deviation or omission is improved,and the speed and accuracy of the pitch detection is raised.【期刊名称】《噪声与振动控制》【年(卷),期】2018(038)002【总页数】7页(P173-178,192)【关键词】声学;基音周期检测;小波-自相关;经验模式分解;固有模态函数;倍频和半频【作者】张涛;章小兵;朱明星【作者单位】安徽工业大学电气与信息工程学院,安徽马鞍山243002;安徽工业大学电气与信息工程学院,安徽马鞍山243002;安徽工业大学电气与信息工程学院,安徽马鞍山243002【正文语种】中文【中图分类】TN912.3基音周期检测是语音信号处理中的重要步骤之一，它在语音识别、语音情感识别、语音合成以及语音编码中有着广泛的应用[1]。
于是，精准的基音周期检测就具有非常重要的意义。
目前的基音周期检测方法有自相关函数法(Auto Correlation Function，ACF)[2]、平均幅度差函数法(Average Magnitude Difference Function，AMDF)[3]、倒谱法[4]、线性预测系数(Linear Prediction Coefficient，LPC)[5]、小波变换[6]以及相衍生的小波加权自相关函数法[7-8]、平均幅度差自相关函数法[9]等。
由于语音是一种复杂非平稳的信号，受限于人的声道、基音周期范围、情感以及单词的音调等各种因素的影响，因此基音周期的精确检测实际上是非常困难的，但基于基音在语音识别过程中的重要性，人们提出了各种基音周期检测算法。
而这些方法中自相关函数法(Auto Correlation Function，ACF)即使在完全纯净语音下也会发生基音的倍频和半频错误，平均幅度差函数法(Average Magnitude Difference Function，A-MDF)在信号幅度变化较快时会出现均值下降的趋势，倒谱法对噪声比较敏感，当遇到受噪声污染的语音时其检测误差会显著上升[3-4]。
由此看出，不同的基音周期检测方法都有各自的优缺点，它们在复杂的语音下并不完善，因此探索一种精确的基音周期检测方法就显得尤为重要。
本文针对传统的小波-自相关法(DWT-ACF)[10]的缺点提出了一种基于经验模式分解(EMD)[11]下改进小波-自相关的基音周期检测算法。
该算法先利用经验模式分解(EMD)处理含噪语音信号，提取基本模式分量IMF3－IMF6以消除含噪信号部分噪声以及消除趋势，改善自相关函数法在基音的倍频和半频上的错误（在语音信号中提取基频常用的自相关方法中，倍频和半频是常见的错误。
前者是那些低的第1共振峰的干扰；后者出自个人的发音习惯导致的奇数周期和偶数周期的声门脉冲的强度的固有变化。
这是由语音信号的特性造成的，与汉语‘上声’结尾有些人发出的吱嘎声，基频很低，难以测量，有同样的性质。
这类错误即使在信噪比很高的条件下也会出现。
因为言语中基频是一个有规律的慢变过程），以及小波法的基音定位偏差[9]，再结合小波算法抗噪声性能与自相关函数法的简单精准，得出一种精确定位基音周期的新算法(EMDDWT-ACF)。
对EMDDWT-ACF算法进行仿真实验，实验结果表明，该方法提取的语音基音周期基音轨迹平滑，且相对应的基音频率能与实际的基音频率很好吻合。
1 EMD算法基本原理1998年，Norden E.Huang等对非平稳信号在瞬时频率方面进行深入研究，创造性地提出了本征模式函数(Intrinsic Mode Function，IMF)[12]以及将任意信号分解为IMF的经验模式分解(Empirical Mode Decomposition，EMD)。
为了得到有意义的瞬时频率，提出了基本模式分量(IMF)的概念，基本模式分量的提出需要满足两个基本条件：(1)在语音数据序列中，极值点的个数Ne与过零点的个数Ns要满足(2)在任意时间点ti上，信号局部极大值确定的上包络线gmax(ti)与局部极小值确定的下包络线gmin(ti)均值为零，即其中：[ta,tb]为语音数据段所在的时间区间。
用验模式分解(EMD)将信号的基本模式分量(imf)提取出来，然后对其分析，这是一个筛选过程，其分解原理如下：(1)将原始信号的x(t)的所有局部极值点分别用3次样条曲线连接起来，使信号的所有数据点都处于这两条包络线之间，定义上、下包络线均值组成的序列为m(t)。
(2)从原始信号x(t)中减去m(t)，得到检测h1(t)是否满足IMF的两个基本条件，若不满足，把h1(t)作为待处理信号，重复式(3)，直到找到一个h1(t)是一个基本模式分量，记为(3)得到一个基本模式分量后，从原始信号x(t)中减去c1(t)，得到剩余值序列r1(t)(4)将r1(t)作为新的原始信号重复上述步骤得到各阶IMF分量，记为 c1(t)、c2(t)、...、cn(t)，直到满足预先设定的停止准则，则停止，最后剩下一个余项为rn(t)。
该方法的核心思想是将原始信号x(t)分解为若干基本模式分量ci(t)和一个剩余分量rn(t)，见式(6)具体分解结果见图1，对一段纯净语音进行EMD分解，得到各阶imf分量。
图1 EMD分解从图1中可以看出，对纯净语音进行EMD分解后，得到的各阶imf分量中imf1到imf6包含语音信号的大部分信息，imf6之后的分量主要是语音趋势分量。
1.1 EMD语音增强对原始纯洁语音x(t)进行加噪得加噪语音信号x′(t)，对其进行EMD分解得到一系列基本模式分量imfi，丢掉前 2阶模态分量 imf1、imf2，再重构新的信号x̂(t)根据文献[13]提出的方法，EMD分解后的前两阶imf含有高斯白噪声75%的分量和噪声的共振峰，实验中丢弃了前两阶imf相当于对带噪语音信号进行语音增强处理，但是丢弃的两阶imf中同时也包含语音信号的成分，但这并不影响后续的基音周期检测，见图2。
从图2(a)中可见对纯洁语音进行重构imf3之后的信号可以保留大部分语音信号，而图2(b)为对加噪语音进行重构imf3之后的分量，可以明显看出已去除大部分噪声，且信噪比SNR从5提升到8.56，足见算法的效果。
1.2 语音消除趋势通过对EMD分解后的imf分析可知，经过EMD分解处理后的语音信号，其imfj （这里的j针对实验的语音设定为6）之后的分量以及残余分量，大多都是低频分量，这些信号包含语音的趋势，并不能反应语音的特性，但这些信号中的低频噪声和工频对语音的基音周期检测又会产生较大的影响，它会干扰到基音周期算法的准确率。
故本算法对减噪后的信号进行重构，再进行EMD 2次分解，分解后得到新的cj(t)和剩余分量rm(t)，试验中丢弃c7(t)之后分量以及剩余分量，再次重构得到新处理后的信号f(t)为第1次分解和第2次分解是分开进行的，第1次分解后重构的信号用来检测元音主体。
在元音主体的检测之前是要进行能熵比端点检测，这里选用能熵比端点检测而没选择其他类型的端点检测是由于在一般的端点检测中，为了检测出一些语音的头、尾，经常将检测条件设置稍宽一些，但是语音头、尾部并不具有声带振动那样的周期性，也就检测不到相应的基音，而本算法设置的能熵相比端点检测条件较为严格，与传统的双门限不同的是本文设置用一个门限阈值Ti作为判断，判断能熵比值是否大于Ti，把大于Ti的部分作为有话段的候选值，再进一步判断该段长度是否大于给定的判定最小值miniL，只有大于最小值的段才能作为有话段。
本文并不是采用对各元素进行分割方法得到元音主体，而是在能熵比端点检测判定出有话段后，在每个有话段中寻找能熵比的最大值Emax，设置比例系数r2，使得阈值T2=Emax×r2，这样对于不同的有话段就有不同的T2值，然后把能熵比大于T2的部分作为元音主体部分。
第2次分解后重构得到的信号是用来优化小波算法的，详细过程见下一小节。
2 改进的EMD小波-自相关函数法2.1 基于EMD的小波算法小波变换是一个平方可积函数 f(t)（对应本文经过EMD处理后的信号 f(t)）与一个在时频域上具有良好局部性质的小波函数φ(t)的内积式中：＜f，φa,b＞表示两函数的内积；a＞0为尺度因子；b为位移因子；φ′(t)表示表示小波函数φ(t)的复数共轭。