导读:本文包含了语音算法论文开题报告文献综述及选题提纲参考文献,主要关键词:λ-LMS算法,改善因子,即时通信,自适应滤波
语音算法论文文献综述
王瑞[1](2019)在《即时语音通信中回声的自适应消除算法探析》一文中研究指出影响语音通信质量的主要原因归咎于通话中存在电路回声和声学回声的干扰,从而导致用户体验不佳。研究者提出了多种回声消除改进算法,希望通过算法的改进来达到提高通信质量的目的,在研究中常被用到的有LMS、RLS等算法。首先阐述了语音通信中的回声类型并分析了不同回声类型产生的原理,然后简单介绍了自适应滤波器的基本原理,最后着重研究基于LMS的自适应滤波改进算法λ-LMS算法,通过改善因子λ调整获取实时最优步长因子来达到提高收敛速度与降低发散度的目的,并设计相关程序输入MATLAB中检测算法优劣性。(本文来源于《现代商贸工业》期刊2019年34期)
张石磊,简志华,孙闽红,钟华,刘二小[2](2019)在《采用联合字典优化的噪声鲁棒性语音转换算法》一文中研究指出针对含噪语音难以实现有效的语音转换,本文提出了一种采用联合字典优化的噪声鲁棒性语音转换算法。在联合字典的构成中,语音字典采用后向剔除算法(Backward Elimination algorithm,BE)进行优化,同时引入噪声字典,使得含噪语音与联合字典相匹配。实验结果表明,在保证转换效果的前提下,后向剔除算法能够减少字典帧数,降低计算量。在低信噪比和多种噪声环境下,本文算法与传统NMF算法和基于谱减法消噪的NMF转换算法相比具有更好的转换效果,噪声字典的引入提升了语音转换系统的噪声鲁棒性。(本文来源于《声学学报》期刊2019年06期)
程琳娟,郑成诗,彭任华,李晓东[3](2019)在《基于自适应幅度补偿的深度神经网络语音增强算法研究》一文中研究指出当训练集与测试集能量不匹配时,基于深度神经网络(Deep Neural Network,DNN)的语音增强算法增强后的语音质量和可懂度会有不同程度的下降。为了解决这个问题,本文提出一种自适应幅度补偿算法,通过对带噪语音的幅度进行自适应调整,将测试集能量调整到训练集能量的动态范围之内。为了进一步优化算法,本文提出一种结合特征补偿与自适应幅度补偿的算法。实验结果表明,相比于原始的DNN算法,本文提出的算法能够不受带噪语音幅值变化的影响,增强后的语音质量和语音可懂度都得到了明显的提高。(本文来源于《第十叁届全国信号和智能信息处理与应用学术会议论文集》期刊2019-10-25)
余倩,洪兆金,翟其俊,乔方圆,赵力[4](2019)在《基于语音情感的心理咨询与性格分析算法研究》一文中研究指出语音信号在传递语义信息的同时,还传递着情感信息,而情感在人类的交流和生活中起着重要的作用。所以语音情感识别的研究显得尤为重要,它是计算机理解人类情感的关键,是实现智能化人机交互的前提。文章主要研究基于语音情感的心理咨询与性格分析算法,可以分为3个部分:语音情感信号预处理、语音情感特征参数的提取、构建情感识别系统,从而进行语音情感的预测,然后给出性格分析结果和心理咨询建议。(本文来源于《信息化研究》期刊2019年05期)
张霞,袁鑫[5](2019)在《双麦阵列的联合语音增强算法》一文中研究指出在多路噪声环境中,单通道语音增强技术往往增强效果有限。为解决这一问题,重点研究了方向性麦克风语音增强技术,利用波束形成技术,达到抑制波束外的干扰信号同时又保留目标信号的目的。麦克风阵列能进行初步的噪声过滤,有效提高语音理解度及信噪比,但无法完全消除噪音,为进一步改善语音质量,研究一种基于方向性麦克风和改进的维纳滤波的联合语音增强算法。实验结果显示,这种方法得到的最终语音信号质量更好。(本文来源于《电子器件》期刊2019年05期)
周琳,赵一良,朱竑谕,汤一彬[6](2019)在《基于双耳语音分离和丢失数据技术的鲁棒语音识别算法》一文中研究指出鲁棒语音识别技术在人机交互、智能家居、语音翻译系统等方面有重要应用。为了提高在噪声和语音干扰等复杂声学环境下的语音识别性能,基于人耳听觉系统的掩蔽效应和鸡尾酒效应,利用不同声源的空间方位,提出了基于双耳声源分离和丢失数据技术的鲁棒语音识别算法。该算法首先根据目标语音的空间方位信息,在双耳声信号的等效矩形带宽(Equivalent Rectangular Bandwidth, ERB)子带内进行混合语音信号的分离,从而得到目标语音的数据流。针对分离后目标语音在频域存在频谱数据丢失的问题,利用丢失数据技术修正基于隐马尔科夫模型的概率计算,再进行语音识别。仿真实验表明,由于双耳声源分离方法得到的目标语音数据去除了噪声和干扰的影响,所提出的算法显着提高了复杂声学环境下的语音识别性能。(本文来源于《声学技术》期刊2019年05期)
许铭,王冬霞,周城旭,张伟[7](2019)在《改进的Kullback-Leibler复非负矩阵分解语音增强算法》一文中研究指出针对单通道非负矩阵分解语音增强算法忽略相位信息的问题,提出了一种改进的Kullback-Leibler复非负矩阵分解的语音增强算法。该算法考虑到传统非负矩阵分解算法在复频域中增强语音时目标函数的影响,构建了一种适用于复频域的Kullback-Leibler散度下的目标函数,同时采用频谱一致性约束相位谱补偿算法,使其重构出的语音数据相位谱得到进一步的调制。实验结果表明,对于不同的非平稳噪声,所提出的算法在不同信噪比下均取得了较好的语音增强效果,尤其在低信噪比条件下(0 dB以下)语音增强效果较为明显,性能评估指标的增量较高,较好地克服了由传统相位谱补偿算法造成的信源失真率较低的缺点,进一步减少失真,抑制背景噪声,实现语音增强。(本文来源于《声学技术》期刊2019年05期)
张永兵,米保全,周亮,张涛[8](2019)在《基于短时自相关的语音感知哈希认证算法》一文中研究指出针对移动语音通信对语音区分性和内容保持操作鲁棒性,以及实时认证的要求,提出了一种基于短时自相关的语音感知哈希认证算法。该算法对语音进行预处理、分帧和加窗,进行短时自相关分析,并结合非负矩阵分解得到特征参数矩阵,利用特征参数矩阵生成感知哈希序列进行语音内容认证。实验结果表明,该算法具有较好的区分性和鲁棒性,能够满足语音通信实时认证的要求。(本文来源于《无线电工程》期刊2019年10期)
赵霞[9](2019)在《噪声环境下的语音识别算法研究》一文中研究指出随着计算机技术的逐步发展,人与计算机之间的沟通方式有了更高的标准,这也进一步推动了语音识别这项技术的进步和发展,使之成为语音处理范畴当中的重要内容。语音识别目前在无噪音干扰的情况下,具有非常高的识别率,但是如果环境当中存在噪音,那么这种识别率就会大大降低,因为噪音会导致训练模板和待识别模板无法进行匹配。所以,对于语音识别技术来说,噪音是其发展过程中的重要阻碍,所以对于噪音环境下的语音识别算法进行研究是非常有意义的。(本文来源于《电脑知识与技术》期刊2019年28期)
邓贺元,刘加,夏善红,彭春荣[10](2019)在《一种联合频谱和空间特征的深度学习多通道语音增强算法》一文中研究指出近年来,越来越多的电子产品使用麦克风阵列,而且与传统多通道语音增强算法相比,基于深度学习的算法效果更好,为了进一步提高增强效果,提出一种联合频谱特征和空间特征的深度学习算法。该算法包括两个部分,第一部分,使用频谱和通道间相位差特征估计时间频率掩蔽值,然后进行基于掩蔽值的波束成形;第二部分,使用方向特征和频谱特征进行进一步的增强。在CHiME4数据集上的实验证明了该算法的有效性,与仅使用频谱特征的方法相比,在真实数据上的词错误率相对降低27.6%,在仿真数据上的主观语音质量评估得分从2.46提高到2.81。(本文来源于《电子测量技术》期刊2019年18期)
语音算法论文开题报告
(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:
针对含噪语音难以实现有效的语音转换,本文提出了一种采用联合字典优化的噪声鲁棒性语音转换算法。在联合字典的构成中,语音字典采用后向剔除算法(Backward Elimination algorithm,BE)进行优化,同时引入噪声字典,使得含噪语音与联合字典相匹配。实验结果表明,在保证转换效果的前提下,后向剔除算法能够减少字典帧数,降低计算量。在低信噪比和多种噪声环境下,本文算法与传统NMF算法和基于谱减法消噪的NMF转换算法相比具有更好的转换效果,噪声字典的引入提升了语音转换系统的噪声鲁棒性。
(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。
语音算法论文参考文献
[1].王瑞.即时语音通信中回声的自适应消除算法探析[J].现代商贸工业.2019
[2].张石磊,简志华,孙闽红,钟华,刘二小.采用联合字典优化的噪声鲁棒性语音转换算法[J].声学学报.2019
[3].程琳娟,郑成诗,彭任华,李晓东.基于自适应幅度补偿的深度神经网络语音增强算法研究[C].第十叁届全国信号和智能信息处理与应用学术会议论文集.2019
[4].余倩,洪兆金,翟其俊,乔方圆,赵力.基于语音情感的心理咨询与性格分析算法研究[J].信息化研究.2019
[5].张霞,袁鑫.双麦阵列的联合语音增强算法[J].电子器件.2019
[6].周琳,赵一良,朱竑谕,汤一彬.基于双耳语音分离和丢失数据技术的鲁棒语音识别算法[J].声学技术.2019
[7].许铭,王冬霞,周城旭,张伟.改进的Kullback-Leibler复非负矩阵分解语音增强算法[J].声学技术.2019
[8].张永兵,米保全,周亮,张涛.基于短时自相关的语音感知哈希认证算法[J].无线电工程.2019
[9].赵霞.噪声环境下的语音识别算法研究[J].电脑知识与技术.2019
[10].邓贺元,刘加,夏善红,彭春荣.一种联合频谱和空间特征的深度学习多通道语音增强算法[J].电子测量技术.2019