小波分析在语音信号处理中的应用.docxVIP

?

?

小波分析在语音信号处理中的应用

?

?

赵长昊

摘?要：对于信息处理过程来说，信号分析是非常关键的一项技术，早期处理主要依托于傅里叶变换，可是其也只能是针对频域实施分析，这就使信号分析不够全面，想要改变这一状况，就需要将时域窗融入到小波变换当中，从而有效提升信号分析处理效果。和普通的信号相比较而言，语言信号的复杂性更高，存在更加明显的局部稀疏性特征，而这点刚好和小波处理特点相吻合，所以在语言信号处理过程中合理运用小波分析技术体现出非常明显的积极作用。

关键词：小波分析;语音信号;处理;应用

引?言

小波分析作为一种新的时频分析方法，实现了泛函数、傅里叶分析调和分析以及数值分析之间的完美结构，成为继傅里叶变换分析方法后，另一个重要的信号分析方法，受到很多研究人员的研究，在理论和应用上得到了极大地扩充。语音信号作为一种典型的非平稳信号类型，应用小波分析对应的效果要相比传统的方法具有更显著优势，目前已取得了显著的成果。基于此，本文重点分析小波分析在语音信号处理中的应用。

1基本原理

小波分析是一种强有力的信号分析工具，它是时间和频率的局部变换，能有效地从信号中提取信息。例如，在信号的高频域部分，运用小波分析可以取得较好的时间分辨率;在信号的低频域部分，则取得较好的频率分辨率;在提取识别特征前，用小波进行预处理，能够选取语音信号的有用信息，并且有效抑制无关信息对信号识别所产生的干扰。

2当前语音识别技术的难点

目前，国内已有科大讯飞、云之声等为代表的高新技术企业以及高校、科研院所等单位，在语音识别技术研究领域取得了不少成果，但是依然面临着产业化发展的技术瓶颈，主要表现在以下几个方面：（1）语音识别系统的适应性差;（2）高噪声环境下语音识别进展困难;（3）如何把语言学、生理学、心理学方面的研究成果量化、建模并用于语音识别，还需深入研究[1];（4）我们对人类的听觉理解、知识积累和学习机制以及大脑神经系统地控制机理等分面的认识还很不清楚;（5）若将语音识别系统商品化，还有识别速度、拒识问题以及关键词/句检测技术等细节问题需要解决。

3小波分析在语音基音周期检测中的应用

语音基音周期是语音信号识别中的重要参数，对后期信号识别处理意义重大。声门在闭合时引发了语音信号锐变，使得周期检测效果不佳。而小波分析具有较好的频率分辨率，尤其是在时域上。据此，对语音信号进行小波分析，在多尺度下對应系数模值的极大值就会出现在锐变位置，因此能够很容易检测出声门闭合时间，然后结合声门开启时间的统计就能便捷地计算出语音基音周期。

在小波分析的多分辨分析中，基音频率在50-500赫兹时，可通过逐级逼近方式对频率精确聚焦，由此得到对应音频特征的提取。对于提取基音周期而言，一般采用小波变换中的奇异点检算法。

基音周期检测的具体步骤为：选取光滑函数的一阶导数作为母小波;进行峰值点检测来估计语音基音周期。在实际中，小波分析方法检测范围较大，应对场景多，应用也越来越普及[2]。

4小波分析在语音信号去燥和增强中的应用

当前，语音信号压缩编码主要采用离散小波变换，其步骤为：以重构误差以及信噪比最大化为选择标准来确定对应的小波类型;进行小波分解，尽可能将信号分解到较少子系数空间以提升压缩效率;分解后，可设定阈值选择小波系数以实现裁剪;小波系数编码。在编码过程中，将部分含有较少信息的信号分量去除，实现最小化小波系数。虽然存在一定程度的信号损失，但由于人们对缺失部分不敏感，因此依旧能够获得很好的效果。

其主要依据是：小波变换特别是正交小波变换具有很强的去数据相关性的能力，它能使信号的能量在小波域集中于一些大的小波系数;而噪声的能量却分布于整个小波域内，因此经小波分解后，信号的小波系数幅值要大于噪声的小波系数幅值，幅值较大的小波系数一般以信号为主，而幅值较小的在很大程度上是噪声。于是，采用阈值去噪的方法可以把信号系数保留，而使大部分噪声系数减少为零。

4.1语音信号的小波增强的阈值选择

无论是使用小波变换对语音信号增强或者是压缩的，阈值的选择都是关键。压缩时：阈值过大，信号会有较大的失真;阈值过小，则压缩的意义不大。去噪时：阈值过大，虽然可以减少信号中的噪声，会除去信号的一部分能量，重构信号也会有较大的失真;阈值过小，则重构信号中将包含过多的噪声分量，达不到去噪的目的[3]。

小波分析进行消噪处理一般有3种方法：默认阈值消噪处理、给定阈值（软阈值或硬阈值）消噪处理、强制消噪处理。小波变换后传统的阈值处理方法有硬阈值（hardshrinkage）和软阈值（softshrinkage）处理方法。采用硬阈值，就是把绝对值小于阈值的小波系数设为0，其他的系统不变;采用软阈值就是用小波系数的绝对值减去小于的小波系统设为0。一般来说，硬阈值比软阈值处理后的信号更加