一、语音信号处理中的数学形态学方法研究(论文文献综述)
张坤[1](2019)在《基于数学形态学的战场声目标的识别方法研究》文中指出本文以反坦克、反直升机智能雷为背景,研究了基于数学形态学的战场声目标识别方法,根据数学形态学分形维数在信号特征中表现的特征单一、区分度不高等问题,提出了三种改进的声信号特征提取方法,有效的提取了战场声目标的非线性特征。最后运用形态学神经网络对战场声目标进行了识别。将VMD算法与数学形态学分形维数相结合,提取直升机声与坦克声信号的非线性特征。首先根据信号能量集中频段决定了VMD分解的分量个数,再运用数学形态学方法计算了各个分量的容量维数与信息维数,作为信号的特征量。该方法相较于常用的EMD与盒维数的方法提取的特征具有更高区分度。为了提取更多的非线性特征,将多重分形维数运用于战场声目标识别。提出了基于双维度变化的形态学多重分形战场声目标识别方法。该方法定义了基于双维度变化的配分函数(Double Dimensions Changed Distributed Function,DDCDF),以运算速度与识别率为标准,筛选出最优尺度组合,并计算多重分形维数。将多重分形维数作为特征输入,使用支持向量机进行声目标识别,识别结果显示了本文算法所提取的多重分形维数特征较原算法具有更好的区分度,其识别率比现有算法提升了23.5%,为战场声目标的非线性特征快速识别提供了一种有效的技术手段。由于多重分形维数提取的非线性特征仍然有限,提出了基于SVD与数学形态学分形维数谱的特征提取方法(singular value decomposition and mathematical morphological fractal dimensions spectrum,SVD-MMFDS)。该方法首先利用采集到的声信号构造Hankel矩阵,再运用SVD分解方法对矩阵进行分解,接着利用奇异值与频率分量的关系重构信号分量。首先计算第一个频率分量的分形维数,再叠加第二个频率分量,计算叠加信号的分形维数,每叠加一次,就计算一次分形维数,直到形成完整的原信号,最后得到一个反映信号非线性的分形维数谱,即SVD-MMFDS。将该方法与EMD-盒计数法相比较,SVD-MMFDS提取的非线性特征具有更好区分度,同时也成功解决了分形维数不能充分反映信号非线性的问题。将形态学神经网络(Constructive Morphology Neural Network,CMNN)及模糊形态学神经网络(Fuzzy Lattice Constructive Morphology Neural Network,FL-CMNN)运用于战场声目标的识别。根据Sussner P的构造性神经网络模型,提出了一种基于单维盒的训练方法,以第三章提取的多重分形维数与第四章提取的SVD-MMFDS作为特征输入,与其他分类器如SVM、BP神经网络在训练效率、测试效率与分类精度上进行了对比,CMNN与FL-CMNN均表现出优良的性能。
李楠[2](2014)在《语谱图图像处理在蝙蝠“方言”信号分析中的应用》文中认为语言是不仅人类沟通的重要桥梁,也是蝙蝠进行沟通的重要工具。不同国家和地区的语言有所不同,我们通常称之为方言,然而在蝙蝠界也是如此,不同种群和地域的蝙蝠其发声方式也是不同的。本文主要内容就是关于蝙蝠“方言”的研究,以马铁菊头蝠为例,对其声音信号不同类型进行区分,从而简单了解蝙蝠的语义。马铁菊头蝠的声音样本分为五类,由生命科学学院进行分类与提供,分别是AFM、BNBs、DFM、SFM和UFM,每一类表示同种含义,且声音样本是来自全国的不同地区。本文在前人研究人类语音的基础上,对蝙蝠的声音进行分析,提出了蝙蝠“方言”信号的语谱图图像处理的方法。根据语谱图固有的特点,应用数学形态学图像处理技术对马铁菊头蝠五种声音类型进行特征提取,将语音识别技术与图像处理技术相结合,从而达到区分蝙蝠“方言”的目的。本文主要是通过MATLAB7.0软件对算法进行研究、编程、仿真和实现的。处理过程如下:首先,把录制好的蝙蝠“方言”信号用Cool Edit Pro2.1软件进行预处理,对其量化标准进行统一,生成的语谱图图像用抓图软件进行抓图;其次,应用直方图图像处理技术对蝙蝠“方言”语谱图进行处理;再次,应用数学形态学图像处理技术对蝙蝠“方言”语谱图进行二值化、形态学滤波和骨架化处理;最后,对蝙蝠“方言”信号的骨架化语谱图进行角度处理,用BP神经网络对实验结果进行检测,判断此结果是否合理。
王润舵,周萍[3](2011)在《基于数学形态学的语音反蓄意模仿研究》文中研究说明人的声音虽然具有个性特征,但随着现代高科技的发展,人的语音也可以被模仿;当模仿者蓄意模仿说话人声音相似度极高时,当前语音身份确认系统就有可能会被模仿欺骗;为了防止造成国家和人民财产的重大损失,就此展开了语音反蓄意模仿的研究;为了进一步消除说话人语音中的噪声干扰以增强不同说话人的区分能力,研究了数学形态学及加权形态滤波器在一维语音信号中去噪的应用;研究表明,数学形态学对带噪语音信噪比的改善有较好的效果,进一步增强了区别蓄意模仿说话人的能力。
王润舵[4](2011)在《数学形态学在语音反蓄意模仿中的应用与研究》文中认为人的语音虽然具有个性特征,但随着现代电子计算机技术的迅猛发展,人的语音也可以被蓄意模仿。当模仿语音相似度较高时,当前的身份确认系统就有可能会被蓄意模仿者欺骗,从而对国家和个人的信息安全造成了很大的威胁。因此,展开了语音反蓄意模仿并针对蓄意模仿说话人的语音特征参数进行分析,找出蓄意模仿者与原说话人语音之间的特征参数差异是十分有意义的,这在司法鉴定、刑事侦查、信息安全等方面都有着广泛的应用前景。文中首先介绍了语音反蓄意模仿识别技术的应用及其研究现状和蓄意模仿的含义,并对影响语音蓄意模仿相似度的外在因素进行了介绍与分析,同时阐述了蓄意模仿说话人语音对人们的日常生活所带来的危害。语音反蓄意模仿的研究从大的方面来说属于说话人识别的范畴,文中介绍了说话人识别的基本概念、原理以及当前的研究现状,并简单介绍了目前常用的说话人识别方法。其次,要实现语音反蓄意模仿较好的效果,使蓄意模仿者的语音和被模仿者的声音达到无噪音的状态是有必要的,由于实际生活当中的种种环境因素,得到理想中的纯净语音是不可能的,但是可以采取有效的手段对带噪语音进行去噪,尽可能的接近纯语音效果。由于语音信号是一种复杂的非线性、非平稳的信号,而传统的一些基于线性和平稳的语音信号去噪方法有很大的局限性。基于数学形态学的形态滤波器是一种新型非线性滤波器,具有良好的滤波性能,在语音信号处理中能有效地抑制各种噪声,而且有利于语音信号边缘细节特征的保持,因此,本文对传统形态滤波器进行了改进,设计了一种加权形态滤波器,并对语音信号进行滤波去噪,从而有效提高了区别蓄意模仿说话人的能力。此外,还建立了蓄意模仿语音库进行实验,分别计算基于传统方法的语音特征参数差异和基于数学形态学的语音特征参数差异,并对两种结果进行比较。实验表明,基于数学形态学的语音反蓄意模仿中可用于识别的特征参数有良好的性能。最后,对本文的工作内容进行总结,并指出不足之处,提出了该领域未来的研究方向。
郭晓鑫,刘立,冯志鹏[5](2009)在《数学形态学在信号处理中的应用综述》文中认为数学形态学在图像处理中的应用研究已经很广泛,随着对于数学形态学理论的深入研究,其在信号处理中的应用发展也正受到越来越多的关注。作为一种非线性信号处理方法,它对信号的特征提取完全在时域中进行,相对于一些其他的非平稳、非线性信号处理方法,它具有幅值不偏移和相位不衰减等很多优点,所以这种方法被应用到了各个行业的信号处理中。但是系统的总结该技术在信号处理中的应用及研究还并不多见。主要阐述了数学形态学的基本理论,综述了数学形态学在电力系统、机械故障诊断、医学信号处理以及语音信号处理中的应用研究,最后总结了数学形态学在信号处理中的应用前景并提出了若干需要解决的问题。
王建波,林本浩,田春明[6](2009)在《软计算方法在语音信号处理中的应用》文中进行了进一步梳理软计算方法是国际上最新发展起来的数学优化方法,它在信号处理领域得到了广泛的应用。简要介绍了近年来软计算方法的发展情况及其基本原理,总结和回顾了在语音数字信号处理方面的应用,对其应用前景进行了展望。
王霞[7](2008)在《数学形态学在语音识别中的应用研究》文中研究说明由于现实环境中存在各种噪声,严重影响了语音的识别率,因此带噪语音识别的研究显得尤为重要。本文从语音信号的非线性理论出发,探讨数学形态学在提高语音识别抗噪性能中的应用。对带噪语音识别中的语音增强、特征参数提取及识别方法等关键问题进行了研究。主要研究内容如下:1.对基于形态滤波的语音增强方法进行了研究。采用不同的形态滤波器和结构元素对带噪语音进行增强,得到不同情况下的输出信噪比,分析了结构元素形状及长度对增强效果的影响。2.将形态滤波和小波变换相结合,形成形态-小波滤波器,对带有不同噪声的语音信号进行滤波。实验结果表明,这种滤波器较好地保持了语音信号形状并使信号得到增强,效果优于形态滤波器。3.基于形态滤波器的幂等性,采用形态预失真方法提取纯净语音的美尔倒谱等参数。对纯净、带噪、去噪及预失真语音特征参数间的距离进行了分析比较,得出了预失真方法的可行性。4.在形态滤波的基础上,对基音周期检测方法进行了研究。根据短时平均幅度差函数(AMDF)与修正自相关函数(MACF)的特点,设计了滤波加权修正自相关函数的基音周期检测方法。该方法利用归一化平均幅度差函数的指数形式对修正自相关函数进行加权,实现了带噪语音的基音周期检测。5.采用预失真特征参数作为训练数据用于隐马尔可夫模型(HMM)识别方法,提高了训练和识别的匹配性,使语音识别率较使用传统方法的识别率有较大提高。6.设计了基于预失真参数的改进径向基函数(RBF)神经网络语音识别方法。对隐层中心的选择、权值的计算及网络结构优化方法进行了研究,分析了不同准则对结构优化的影响,确定了改进方案。通过实验分析比较了RBF神经网络与采用预失真参数的改进方法对带噪语音的识别率。
王洁丽[8](2006)在《数学形态学在语音信号处理中的应用》文中认为语音信号是一种复杂的非线性、非平稳信号,近几年来发展并完善起来的各种非线性计算理论逐步引入到语音处理中,弥补了传统线性处理技术的不足。语音增强的主要目的是从带噪语音信号中提取尽可能纯净的原始语音信号,语音增强已经作为一种非常有效的方法用于语音识别。语音识别是当今人工智能领域的研究热点,目前,它越来越广泛地应用于社会生活的各个方面,提高了人机交互性,发挥了很好的社会效益。然而在实际环境中存在着很多不利因素影响着语音识别系统的性能。 本文重点研究了数学形态学在一维语音信号处理中的应用,依据数字语音信号的特点,设计了用于语音处理的形态滤波算法。本文还依据数学形态学和小波变换对带噪语音处理的特点,将其两者综合应用于语音去噪处理,提出了一种新的语音增强方法。实验结果表明,数学形态学和小波变换两者相结合能够有效地滤除混噪语音信号中的噪声信号。本文还将数学形态学应用到子带语音信号处理当中,提出了基于数学形态学的子带语音增强方法,该方法使用形态滤波器滤除子带语音信号中的噪声,提取出了尽可能纯净的语音。在文章的最后设计了一种新型的语音识别方法,该方法采用数学形态学和小波变换两者相结合的方法对带噪语音进行预处理,提取出尽可能纯净的原始语音信号;然后对经过预处理的语音信号进行子带特征提取,即对预处理后的语音信号采用子带特征结合的方法进行语音识别。通过大量实验结果表明,对带噪语音信号进行有效的语音增强预处理能提高语音识别率,而且在某种程度上子带语音识别相对于全带语音识别效果更好一些。
王津[9](2005)在《基于数学形态学的语音识别系统的研究与实现》文中指出语音识别是当今人工智能领域的研究热点,目前,它越来越广泛地应用于社会生活的各个方面,提高了人机交互性,发挥了很好的社会效益。然而在实际环境中存在着很多不利因素影响着识别系统的性能,语音识别的鲁棒性问题受到了研究者的广泛关注。数字形态滤波器是从数学形态学发展出来的一种重要的非线性滤波技术,它在图像分析与处理、计算机视觉等领域获得了广泛的应用。近年来,形态学滤波逐渐被推广到一维信号处理领域,由于其良好的滤波性能,人们也开始探索它在语音处理方面的应用。 本文重点集中于数学形态学在一维语音信号处理中的研究。依据数字语音信号的特点,设计了用于语音处理的形态学滤波算法。实验结果表明,形态学滤波能有效地抑制噪声的干扰,对混噪语音质量的增强效果显着。进而,将形态学滤波引入到语音识别当中,提出了一种基于数学形态学的抗噪声语音识别新方法。该方法使用形态滤波器去除待识别语音中的噪声,提取出尽可能纯净的原始语音信号;并且在模板训练之前加入了相同的形态学滤波预处理,以减小待识别语音经滤波去噪后引入的失真对识别系统所带来的不利影响。通过性能分析和比较,可以看出该方法在一定程度上提高了训练和测试环境的匹配性,能有效改善识别系统的抗噪声性能。 文中构建了采用MFCC特征矢量的基于连续混合高斯HMM模型的孤立词识别系统,同时还引入了上述基于数学形态学的语音识别技术。语音识别实验证实,基于数学形态学的识别方法具有良好的抗噪性,在不同的信噪比下该方法使得识别系统的识别率都有显着提高。
武睿[10](2004)在《数学形态学在语音增强中的应用》文中研究说明语音识别系统大都是在安静的环境中工作的,在噪声的环境中尤其是强噪声环境,语音识别系统的识别率将受到严重的影响。语音增强的主要目标是从带噪语音信号中提取尽可能纯净的原始语音。语音增强已经作为一种非常有效的方法用于语音识别。 形态滤波器作为非线性滤波领域的最重要和发展最为迅速的一个分支,近年来,在图像处理、生物医学等方面取得了成功的应用。鉴于图像信号和语音信号同样都是一种复杂的多分辨率、非平稳和非线性信号,其数字处理过程相似,所以数学形态学同样也可以应用于语音信号的研究领域。本文针对形态学在数字语音信号增强中的应用算法研究,采用多结构元素的广义形态滤波器,主要用于对被高斯白噪声或正负脉冲噪声污染的语音信号的滤波增强,深入研究形态学滤波的语音增强算法在语音时域、频域对语音特征参数的影响。形态学滤波器是一种新的非线性语音增强算法。Matlab仿真实验结果表明这种基于形态学的非线性语音处理方法是可行的。在语音的滤波增强中,尤其对于正负脉冲噪声的滤除,形态学算法比小波去噪有更好的滤波效果。特别是,在时域波形分析中,形态学滤波增强较小波去噪更好地保持语音信号的细节;在频域分析中,形态学滤波对语音信号的基音频率、频谱斜率、共振峰等语音特征的影响很小,因而能够较好的保留语音信号的频谱结构,使语音品质不致降低。由于数学形态学并行快速、易于硬件实现,很可能成为一种新的非线性语音处理方法。
二、语音信号处理中的数学形态学方法研究(论文开题报告)
(1)论文研究背景及目的
此处内容要求:
首先简单简介论文所研究问题的基本概念和背景,再而简单明了地指出论文所要研究解决的具体问题,并提出你的论文准备的观点或解决方法。
写法范例:
本文主要提出一款精简64位RISC处理器存储管理单元结构并详细分析其设计过程。在该MMU结构中,TLB采用叁个分离的TLB,TLB采用基于内容查找的相联存储器并行查找,支持粗粒度为64KB和细粒度为4KB两种页面大小,采用多级分层页表结构映射地址空间,并详细论述了四级页表转换过程,TLB结构组织等。该MMU结构将作为该处理器存储系统实现的一个重要组成部分。
(2)本文研究方法
调查法:该方法是有目的、有系统的搜集有关研究对象的具体信息。
观察法:用自己的感官和辅助工具直接观察研究对象从而得到有关信息。
实验法:通过主支变革、控制研究对象来发现与确认事物间的因果关系。
文献研究法:通过调查文献来获得资料,从而全面的、正确的了解掌握研究方法。
实证研究法:依据现有的科学理论和实践的需要提出设计。
定性分析法:对研究对象进行“质”的方面的研究,这个方法需要计算的数据较少。
定量分析法:通过具体的数字,使人们对研究对象的认识进一步精确化。
跨学科研究法:运用多学科的理论、方法和成果从整体上对某一课题进行研究。
功能分析法:这是社会科学用来分析社会现象的一种方法,从某一功能出发研究多个方面的影响。
模拟法:通过创设一个与原型相似的模型来间接研究原型某种特性的一种形容方法。
三、语音信号处理中的数学形态学方法研究(论文提纲范文)
(1)基于数学形态学的战场声目标的识别方法研究(论文提纲范文)
摘要 |
Abstract |
1 绪论 |
1.1 研究背景及意义 |
1.2 战场声目标识别技术研究现状 |
1.2.1 声信号预处理 |
1.2.2 声目标特征提取方法 |
1.2.3 声目标识别分类器设计 |
1.3 基于数学形态学的信号处理方法研究现状 |
1.3.1 基于数学形态学的信号预处理方法 |
1.3.2 基于数学形态学的信号特征提取方法 |
1.3.3 基于数学形态学的神经网络分类方法 |
1.4 本文研究内容与结构 |
1.4.1 主要研究内容 |
1.4.2 结构框架 |
2 基于变分模态分解与形态学的战场声特征提取 |
2.1 引言 |
2.2 变分模态分解原理 |
2.3 基于数学形态学的分形维数计算方法 |
2.4 基于VMD与分形维数的支持向量机识别方法 |
2.5 战场声信号实例分析 |
2.5.1 战场声信号的VMD分解 |
2.5.2 分形维数的形态学计算 |
2.5.3 结果分析 |
2.6 本章小结 |
3 基于双维度变化的形态学多重分形的战场声特征提取 |
3.1 引言 |
3.2 多重分形维数 |
3.3 双维度变化的数学形态学的多重分形 |
3.3.1 数学形态学覆盖 |
3.3.2 双维度变化的形态学分形维数计算方法 |
3.4 试验分析与比较 |
3.5 本章小结 |
4 基于SVD与数学形态学分形维数谱的时序信号特征提取 |
4.1 引言 |
4.2 SVD-MMFDS的理论与方法 |
4.2.1 基于Hankel矩阵的奇异值分解与重构原理 |
4.2.2 非零奇异值与信号频率成分的关系 |
4.2.3 数学形态学分形维数谱估计方法 |
4.2.4 SVD-MMFDS与 EMD-boxcounting的算法流程 |
4.3 仿真信号特征提取 |
4.4 战场声目标信号的特征提取 |
4.5 本章小结 |
5 基于形态学神经网络的战场声目标识别 |
5.1 引言 |
5.2 形态学神经网络基本理论 |
5.3 构造形态学神经网络(CMNN)的改进训练方法 |
5.4 模糊形态学神经网络(FL-CMNN) |
5.5 基于CMNN与 FL-CMNN的战场声目标特征分类 |
5.6 本章小结 |
6 总结与展望 |
6.1 总结 |
6.2 展望 |
致谢 |
参考文献 |
附录 |
(2)语谱图图像处理在蝙蝠“方言”信号分析中的应用(论文提纲范文)
摘要 |
Abstract |
第一章 绪论 |
1.1 语音信号处理的发展 |
1.1.1 国外语音信号处理的发展 |
1.1.2 我国语音信号处理的发展 |
1.1.3 语音信号处理发展方向 |
1.2 蝙蝠声音信号的研究现状 |
1.2.1 蝙蝠生物特点 |
1.2.2 研究对象—马铁菊头蝠 |
1.2.3 蝙蝠“方言”的研究 |
1.3 研究意义和技术创新 |
1.3.1 研究意义 |
1.3.2 技术创新 |
1.4 论文的内容与结构安排 |
第二章 对蝙蝠“方言”信号处理所应用的技术 |
2.1 语谱图 |
2.1.1 语谱图的相关介绍 |
2.1.2 语谱图的产生原理 |
2.2 数学形态学 |
2.2.1 数学形态学的发展简史 |
2.2.2 数学形态学的运算理论 |
2.2.3 数学形态学中骨架化图像处理 |
2.2.4 数学形态学在图像处理中的应用 |
2.3 直方图 |
2.3.1 直方图的基本原理 |
2.3.2 灰度直方图的性质 |
2.3.3 灰度直方图的应用 |
2.4 BP 神经网络 |
2.4.1 BP 神经网络模型 |
2.4.2 BP 神经网络的算法 |
2.4.3 BP 神经网络算法的改进 |
2.4.4 BP 神经网络的应用 |
2.5 本章小结 |
第三章 对蝙蝠“方言”信号的技术处理 |
3.1 蝙蝠“方言”信号的语谱图生成 |
3.2 直方图的图像处理 |
3.3 数学形态学方法对语谱图的预处理 |
3.3.1 数学形态学图像处理在语谱图中的应用现状 |
3.3.2 语谱图图像的二值化处理 |
3.3.3 结构元素的设定与形态学滤波 |
3.4 数学形态学中骨架化算法对语谱图的处理 |
3.4.1 数字图像的细化 |
3.4.2 蝙蝠“方言”语谱图的骨架化处理 |
3.5 本章小结 |
第四章 角度分析与 BP 神经网络检测 |
4.1 蝙蝠“方言”信号图像的角度处理 |
4.1.1 角度算法 |
4.1.2 角度处理 |
4.2 蝙蝠“方言”信号的 BP 神经网络检测 |
4.3 本章小结 |
第五章 结论与展望 |
参考文献 |
致谢 |
(3)基于数学形态学的语音反蓄意模仿研究(论文提纲范文)
0 前言 |
1 MFCC倒谱系数 |
2 数学形态学在语音信号处理中运用 |
3 语音反蓄意模仿中的形态滤波 |
4 实验分析 |
5 结语 |
(4)数学形态学在语音反蓄意模仿中的应用与研究(论文提纲范文)
摘要 |
Abstract |
第一章 绪论 |
1.1 课题研究背景及意义 |
1.2 说话人识别发展历史和国内外现状 |
1.3 语音反蓄意模仿简介 |
1.3.1 蓄意模仿及其概念 |
1.3.2 语音蓄意模仿和声纹犯罪对信息安全的危害 |
1.4 本文主要研究内容与组织结构 |
第二章 说话人识别技术与数学形态学 |
2.1 基于VQ 的说话人识别系统 |
2.1.1 矢量量化基本概念及其原理 |
2.1.2 矢量量化器的最佳码本设计 |
2.1.3 矢量量化在说话人识别中的应用 |
2.2 数学形态学介绍 |
2.2.1 数学形态学的起源与发展 |
2.2.2 数学形态学基本原理 |
2.3 本章小结 |
第三章 数学形态学基本运算及其在语音信号处理中的应用 |
3.1 形态学基本运算 |
3.1.1 二值腐蚀、膨胀 |
3.1.2 二值开闭运算 |
3.2 灰度形态学 |
3.2.1 灰度形态学基本运算 |
3.2.2 灰度形态学变换性质 |
3.3 数学形态学在语音信号处理中的应用 |
3.4 本章小节 |
第四章 数学形态滤波在语音信号中去噪的研究 |
4.1 语音反蓄意模仿中形态学滤波器的设计 |
4.2 基于数学形态滤波的语音信号去噪实验分析 |
4.3 本章小结 |
第五章语音反蓄意模仿中特征参数的研究 |
5.1 语音信号的数字化和预处理 |
5.1.1 预滤波、采样、A/D 转换 |
5.1.2 预加重及数学形态学预处理 |
5.1.3 分帧 |
5.1.4 短时加窗 |
5.2 基于数学形态学的Mel 频率倒谱系数 |
5.3 数学形态学动态特征参数的提取 |
5.4 基于数学形态学的语音反蓄意模仿系统设计 |
5.5 语音反蓄意模仿特征参数的分析 |
5.5.1 语音库的建立和参数设置 |
5.5.2 Mel 倒谱系数(MFCC)的差异 |
5.5.3 MFCC 差分倒谱动态参数的差异 |
5.6 语音反蓄意模仿系统性能评价 |
5.6.1 反蓄意模仿系统性能评测标准 |
5.6.2 反蓄意模仿系统性能评测实验分析 |
5.7 本章小结 |
第六章 总结与展望 |
6.1 工作总结 |
6.2 展望 |
参考文献 |
致谢 |
作者在攻读硕士期间的主要研究成果 |
参与的科研项目 |
(7)数学形态学在语音识别中的应用研究(论文提纲范文)
摘要 |
ABSTRACT |
第一章 绪论 |
§1-1 选题意义 |
§1-2 语音增强技术研究现状 |
1-2-1 语音和噪声的特性 |
1-2-2 语音增强方法 |
§1-3 语音识别技术研究现状 |
§1-4 本文的主要研究工作 |
第二章 基于数学形态学的语音增强 |
§2-1 二值形态学基本变换 |
2-1-1 二值膨胀、腐蚀定义 |
2-1-2 二值开闭运算定义 |
2-1-3 二值形态变换性质 |
§2-2 灰度形态学 |
2-2-1 灰度形态运算定义 |
2-2-2 灰度形态变换性质 |
§2-3 形态滤波器 |
§2-4 形态-小波滤波器 |
2-4-1 小波滤波器 |
2-4-2 形态-小波滤波器 |
§2-5 实验结果及分析 |
2-5-1 形态滤波结果及分析 |
2-5-2 形态-小波滤波结果及分析 |
2-5-3 形态滤波器和形态-小波滤波结果比较 |
§2-6 本章小结 |
第三章 基于数学形态学的特征参数提取 |
§3-1 线性预测系数 LPC |
§3-2 线性预测倒谱系数 LPCC |
§3-3 Mel 频率倒谱系数 MFCC |
§3-4 基音周期改进算法 |
§3-5 实验结果及分析 |
3-5-1 系数特征的提取结果及分析 |
3-5-2 基音周期的提取结果及分析 |
§3-6 本章小结 |
第四章 基于预失真参数的 HMM 语音识别 |
§4-1 HMM 理论 |
4-1-1 HMM 的三个基本问题 |
4-1-2 前向-后向算法 |
4-1-3 Viterbi 算法 |
4-1-4 HMM 参数训练――Baum-Welch 算法 |
4-1-5 下溢问题 |
4-1-6 HMM 多观察序列的训练算法 |
§4-2 基于 HMM 的语音识别 |
4-2-1 语音信号预处理 |
4-2-2 语音识别过程 |
§4-3 实验结果及分析 |
§4-4 本章小结 |
第五章 基于预失真参数的改进 RBF 神经网络语音识别 |
§5-1 人工神经网络概述 |
§5-2 径向基神经网络的基本原理 |
5-2-1 径向基函数网络模型 |
5-2-2 径向基函数神经元模型 |
§5-3 RBF 神经网络的学习方法 |
§5-4 改进的 RBF 神经网络 |
5-4-1改进的RBF神经网络设计流程 |
5-4-2 隐层参数的求取 |
5-4-3 权值的共轭梯度优化算法 |
5-4-4 网络结构的优化 |
5-4-5 利用不同信息准则对节点删除结果 |
§5-5 基于改进 RBF 神经网络的语音识别 |
5-5-1 基于改进 RBF 神经网络的语音识别总体流程 |
5-5-2 语音信号预处理及参数提取 |
5-5-3 基于该改进 RBF 神经网络识别结果及分析 |
5-5-4 改进的RBF神经网络与其它方法的结果比较 |
§5-6 基于形态学预失真的带噪语音识别 |
§5-7 本章小结 |
第六章 结论 |
一、全文总结 |
二、本文主要创新点 |
参考文献 |
致谢 |
攻读博士学位期间所取得的相关科研成果 |
(8)数学形态学在语音信号处理中的应用(论文提纲范文)
第一章 绪论 |
§1-1 语音增强简述 |
§1-2 语音识别 |
1-2-1 语音识别的意义 |
1-2-2 语音识别的历史与现状 |
1-2-3 语音识别的基本原理 |
§1-3 本文主要研究内容 |
第二章 数学形态学 |
§2-1 数学形态学的产生与发展 |
§2-2 数学形态学的基本原理 |
2-2-1 二值形态学 |
2-2-2 灰度形态学 |
§2-3 数字形态滤波器理论 |
2-3-1 形态滤波器的研究与发展 |
2-3-2 数字形态变换 |
§2-4 形态学在语音信号处理中的应用 |
第三章 基于数学形态学和小波变换的语音增强 |
§3-1 语音和噪声特性 |
3-1-1 语音和人耳感知的特性 |
3-1-2 语音处理时涉及的噪声特性 |
§3-2 带噪语音模型 |
§3-3 语音增强算法的研究 |
3-3-1 形态学滤波算法设计 |
3-3-2 小波变换 |
3-3-3 形态小波滤波器设计 |
3-3-4 仿真实验结果讨论 |
§3-4 本章小结 |
第四章 基于数学形态学的子带语音增强研究 |
§4-1 子带分解 |
4-1-1 子带编码的基本原理述 |
4-1-2 滤波器组 |
4-1-3 语音信号的子带分解 |
§4-2 基于形态学的子带语音去噪 |
§4-3 仿真实验结果与分析 |
§4-4 本章小结 |
第五章 语音识别系统设计 |
§5-1 基本的语音识别系统 |
5-1-1 语音信号的预处理 |
5-1-2 语音特征参数提取 |
5-1-3 HMM的应用 |
§5-2 基于数学形态学和小波变换的子带特征语音识别方法 |
5-2-1 子带特征 |
5-2-2 语音识别算法 |
§5-3 仿真实验结果与分析 |
§5-4 本章小结 |
第六章 结论 |
参考文献 |
致谢 |
攻读学位期间取得的相关科研成果 |
(9)基于数学形态学的语音识别系统的研究与实现(论文提纲范文)
第一章 绪论 |
§1.1 课题背景及意义 |
§1.2 语音识别的发展及应用 |
1.2.1 语音识别的发展与现状 |
1.2.2 语音识别的应用 |
§1.3 本文的主要研究内容和组织结构 |
第二章 语音识别原理和系统组成 |
§2.1 语音识别基础 |
2.1.1 语音的基本特性 |
2.1.2 语音识别基本原理 |
2.1.3 语音识别分类 |
§2.2 隐马尔可夫模型 |
2.2.1 HMM的基本思想 |
2.2.2 HMM基本算法 |
§2.3 语音识别系统的鲁棒性研究 |
2.3.1 影响语音识别性能的因素 |
2.3.2 稳健语音识别技术 |
§2.4 本章小结 |
第三章 数字形态学简介 |
§3.1 数学形态学的产生及发展 |
§3.2 数学形态学基本原理 |
3.2.1 二值形态学 |
3.2.2 灰度形态学 |
§3.3 数字形态滤波器 |
§3.4 数学形态学在语音处理中的应用 |
§3.5 本章小结 |
第四章 基于数学形态学的抗噪声语音识别方法 |
§4.1 形态学滤波增强 |
4.1.1 语音增强概述 |
4.1.2 语音信号的形态学滤波 |
4.1.3 仿真实验 |
§4.2 基于数学形态学的抗噪声语音识别方法 |
4.2.1 基本算法思想 |
4.2.2 形态滤波器 |
4.2.3 算法分析 |
§4.3 本章小结 |
第五章 语音识别系统设计与构建 |
§5.1 基本语音识别系统设计与构建 |
5.1.1 语音信号的预处理 |
5.1.2 特征参数选取 |
5.1.3 HMM的应用 |
§5.2 基于数学形态学语音识别系统的设计与构建 |
§5.3 实验结果及分析 |
§5.4 本章小结 |
第六章 总结与展望 |
§6.1 论文总结 |
§6.2 研究展望 |
参考文献 |
致谢 |
攻读学位期间取得的相关科研成果 |
(10)数学形态学在语音增强中的应用(论文提纲范文)
第一章 绪论 |
1-1 前言 |
1-2 语音增强算法简述 |
1-2-1 信号及抗噪处理 |
1-2-2 特征参数级抗噪处理 |
1-2-3 模型级抗噪处理 |
1-2-4 三种去噪方法性能综合 |
1-3 语音增强中的非线性滤波方法 |
1-4 本文的主要研究内容 |
第二章 数字形态滤波器理论及应用 |
2-1 数学形态学简史 |
2-2 数学形态学的基本变换和性质 |
2-2-1 数学形态学基本原理 |
2-2-2 二值形态学 |
2-3-3 灰度形态学 |
2-3 形态滤波器 |
2-3-1 形态滤波器的发展方向和特点 |
2-3-2 数字形态滤波器 |
3-3-3 形态滤波器设计原理 |
第三章 形态学滤波在语音增强中的应用 |
3-1 语音和噪声特性 |
3-1-1 语音和人耳感知的特性 |
3-1-2 噪声特性 |
3-2 带噪语音模型 |
3-3 语音增强中的形态学滤波 |
3-3-1 形态滤波器的设计 |
3-3-2 实验及结果分析 |
3-3-3 小结 |
第四章 形态学滤波去噪在带噪语音识别中的应用 |
4-1 语音识别概述 |
4-1-1 语音识别的发展 |
4-1-2 语音识别的基本原理 |
4-1-3 语音识别的发展方向 |
4-2 形态学滤波前端去噪对特征参数提取的影响 |
4-1-1 仿真实验过程 |
4-1-2 实验结果与结论 |
结论 |
参考文献 |
致谢 |
四、语音信号处理中的数学形态学方法研究(论文参考文献)
- [1]基于数学形态学的战场声目标的识别方法研究[D]. 张坤. 南京理工大学, 2019(06)
- [2]语谱图图像处理在蝙蝠“方言”信号分析中的应用[D]. 李楠. 东北师范大学, 2014(01)
- [3]基于数学形态学的语音反蓄意模仿研究[J]. 王润舵,周萍. 计算机测量与控制, 2011(09)
- [4]数学形态学在语音反蓄意模仿中的应用与研究[D]. 王润舵. 桂林电子科技大学, 2011(04)
- [5]数学形态学在信号处理中的应用综述[A]. 郭晓鑫,刘立,冯志鹏. 2009全国虚拟仪器大会论文集(二), 2009
- [6]软计算方法在语音信号处理中的应用[A]. 王建波,林本浩,田春明. 2009年中国智能自动化会议论文集(第一分册), 2009
- [7]数学形态学在语音识别中的应用研究[D]. 王霞. 河北工业大学, 2008(08)
- [8]数学形态学在语音信号处理中的应用[D]. 王洁丽. 河北工业大学, 2006(08)
- [9]基于数学形态学的语音识别系统的研究与实现[D]. 王津. 河北工业大学, 2005(05)
- [10]数学形态学在语音增强中的应用[D]. 武睿. 河北工业大学, 2004(03)