声音识别基础知识精要.ppt

声音识别基础知识 2015级电子与通信工程 董雪 声音识别原理 语音输入 训练 识别 结果 声音识别的过程 声音的预处理：振幅归一化、预加重、样本分割、加窗 特征提取：特征参数可以是能量、基音频率、共振峰值等，较常见的是线性预测倒谱系数LPCC、Mel倒谱系数MFCC。二者均为将声音信号变换到倒谱域上。 幅值归一化 幅值归一化就是把每一个采样值除以本段信号的幅值。即： 其中， 是原始信号， 是归一化后的信号，n是信号长度。 预加重处理 目的：对高频部分进行加重，增加语音的高频分辨率。 实现方式：一般通过传递函数 的一阶FIR高通数字滤波器来实 现预加重，其中， 为预加重系 数，其值介于0.9到1.0之间。 加窗处理 预加重处理后，进行加窗分帧处理。 原理：由于发声器官的惯性运动，可以认为在一小段时间内（一般为10~30ms）语音信号近似不变，即语音信号具有平稳性。这样，可以把语音信号分为一些短段（分析帧）。语音信号的分帧是采用可移动的有限长度窗口进行加权的方法实现。一般每秒33~100帧。 加窗处理 虽采用连续分段，但一般采用交叠分段 的方法使帧与帧之间平滑过渡，保持连 续性。前帧与后帧的交叠部分称为帧移 ，帧移与帧长的比值一般取0~1/2。 常用窗： 一种是矩形窗： 另一种是汉明窗： 矢量量化 基本原理：先把信号序列的每K个连续样点分成一组，形成N维欧式空间中的一个矢量，然后对此矢量进行量化。矢量量化就是把一个K维模拟矢量X映射为另一个k维量化矢量，其数学表达式为：Y=Q(X)。 矢量量化系统通常可以分解为两个映射的乘积：Q=ab。a是编码器，将输入矢量X映射为信道符号集 中的一个元 ；b是译码器，它是将信道符号集 映射为码书中的一个码字Yi。 矢量量化 失真测度：要对落在二维空间的模拟矢量X=(a1，a2)进行量化，要先选择一个合适 的失真测度，而后利用最小失真原则，分别计算用量化矢量Yi替代X所带来的失真。 其中最小失真值所对应的那个量化矢量Yi中某一个就是模拟矢量X的重构矢量。通常把所有N个量化矢量构成的集合称之为码书或码本。码书中的矢量称之为码字或码矢。 矢量量化 常用的失真测度有如下几种： （1）平方失真测度： （2）绝对误差失真测度： （3）加权平方失真测度： 其中，W为正定加权矩阵，T为矩 阵转置符号。 矢量量化 失真度必须具有如下特点： （1）在主观评价上具有意义，即小的失真对应好的主观质量评价。 （2）数学上易于处理，能导致实际的系统设计。 （3）可计算并保证平均失真 D=E[d(X, Q(X))]存在。 （4）采用的失真测度应使系统容易用硬件实现。 基于Mel和矢量量化的方法 声音预处理 取帧长，每帧作FFT变换。 用Mel带通滤波器进行滤波，得到一组系数。 将每个滤波器的输出取对数，得到相应频带的对数功率谱 利用反离散余弦变换得到MFCC 矢量量化 特征匹配 基于MFCC和GMM的方法 声音预处理 取帧长，每帧作FFT变换 把上述功率谱映射到梅尔频标，再用M个梅尔带通滤波器滤波 将每个滤波器的输出取对数，得到相应频带的对数功率谱 利用离散余弦变换得到谱的幅值，即MFCCs 建立混合高斯模型GMM 期望最大化 声音识别 此外，还有： 基于MFCC和PNN的声音识别 基于SBC和HMM的声音识别 谢谢！ * *