矢量泰勒级数特征补偿的说话人识别

将矢量泰勒级数(Vector Taylor Series,VTS)特征补偿算法应用于说话人识别,给出了卷积噪声方差的近似闭式解,构建了联合快速估计卷积噪声和加性噪声均值和方差的框架。该算法可在无需失配环境先验信息的前提下,直接从失配语音中估计出卷积噪声和加性噪声的均值和方差,实现对环境失配的补偿。实验结果表明,在信道变化较大的无线信道下,卷积噪声方差的补偿最高可降低误识率3.24%.提升了系统的识别性能。在存在加性噪声的无线信道下,与基于线性失真模型的特征映射算法和倒谱均值减算法相比,本文算法可分别最大降低49.65%和68.06%的误识率,适合于信道变化较大的失配环境补偿。      

一种用于强噪声环境下语音识别的含噪Lombard及Loud语音补偿方法

针对语音识别中由于强噪声的影响而引起的Lombard和Loud效应进行研究,提出了基于训练数据的加性噪声和Lombard及Loud效应的联合补偿法。对于加性噪声是从谱减法的逆向角度对训练数据在频谱域采用谱加法;对于Lombard和Loud语音,则采用基于隐马尔可夫模型(HMM)状态标注的训练数据补偿,该方法同时考虑Lombard和Loud语音不同声学单元的不同状态在倒谱域的多种变化和多种变异情况下不同声学单元的音长及相对音长的变化。这种基于数据的多模式补偿使模型自动适应多种噪声和语音变异情况,在强噪声环境下具有很强的鲁棒性,并且不影响识别系统在正常环境或正常发音时的识别性能.同时,由于补偿是在训练过程中得到,不增加识别时的计算复杂度。     

单载波频域均衡中的水声信道频域响应与噪声估计

本文对单载波频域均衡(SC-FDE)中的信道和噪声估计进行研究,理论分析了形成误码率平台的可能原因,提出了基于Chu序列的联合信道时频域响应和噪声功率估计算法.利用水声信道响应的稀疏特性和门限确定信道能量集中区域,进行信道估计的去噪处理和噪声功率计算.借助于水声射线模型对所提出的算法进行了仿真,分析了噪声估计对SC-FDE性能的重要影响.仿真结果表明,所提出的信道和噪声估计算法可以有效减缓或消除SC-FDE中的误码率平台.     

模型与特征混合补偿法及其在耳语说话人识别中的应用

为了提高信道差异下短时耳语说话人的识别率,提出了一种在模型域和特征域进行混合补偿的方法。该方法首先在模型训练阶段以联合因子分析法为基础,通过估计训练语音的说话人空间和信道空间,提取出说话人因子,消除信道因子,其次在测试阶段,将测试语音的信道因子映射到特征空间,实施特征补偿,从而在模型和特征两方面去除信道信息,提高识别率。实验结果显示,在三种不同的信道训练环境下,混合补偿法都取得了相似的识别率,且新方法对短时耳语音的测试效果要优于联合因子分析法。      

OFDM水声通信CS限幅失真补偿与LS信道估计优化算法*

正交频分复用技术应用于水声通信系统时,会引起较高的峰均比,当采用限幅法对峰均比进行抑制时,会产生非线性失真。另外,系统采用最小二乘法进行信道估计受噪声的影响较大。针对以上问题,提出了一种基于压缩感知技术的补偿限幅非线性失真与最小二乘信道估计相组合的新算法,在接收端利用导频数据采用压缩感知算法对限幅失真进行补偿,同时对最小二乘信道估计进行优化运算,以减小噪声对其影响。理论分析和仿真结果均表明,新算法不但能够有效抑制限幅法造成的系统非线性失真问题,而且能够降低高斯白噪声对于信道估计的影响。     

联合重叠压缩感知法消除水声通信系统限幅噪声

针对正交频分复用(Orthogonal Frequency Division Multiplexing,OFDM)水声通信系统的高峰值平均功率比(Peakto-Average Ratio,PAPR)问题,在发射端采用了压扩变换法和限幅法联合的方法降低PAPR。由于限幅法会产生带内干扰和带外噪声,降低通信系统的误码性能,因此利用限幅噪声的稀疏性,在接收端采用压缩感知(Compressed Sensing,CS)法对限幅噪声进行估计和恢复。限幅噪声的估计受信道估计准确性的影响,为提高限幅噪声估计的准确度,提出了重叠压缩感知算法,在恢复限幅噪声的过程中利用了压缩感知信道估计法估计所得的信道信息和发射数据对限幅噪声进行估计,有效降低了限幅法对系统误码性能的影响。仿真和水池实验验证了该算法的有效性。      

几种高鲁棒性通道及说话人自适应语音识别算法研究

鲁棒性问题是决定语音识别技术能否在实际中得以应用和推广的关键问题之一。概括起来说，导致语音识别系统性能变坏的原因大体上来自三个方面，即噪声（加性噪声、卷积噪声）、信道变化和不同的讲话者（不同的声道形状、不同的发育方式等）。本文对三种高鲁律性自适应语音识别方法进行了研究和改进，并对它们的性能进行了比较，这三种方法分别是VQ码本自适应法、HMM参数自适应法和基于正则相关分析的谱变换补偿方法。实验结果表明，这三种方法都能提高非特定人语音识别系统对信道以及说话人的鲁棒性，而且基于正则相关分析的稻变换补偿方法具有最好的性能，它能够补偿由三种失真源同时引起的训练条件与测试条件之间的不匹配，因此适合作为一种通用的自适应方法。     

语音识别中信道和噪音的联合补偿

频谱和倒谱的联合调整方法,用于对语音识别中信道差异和背景噪音的存在进行联合补偿。该方法根据干净语音的最大似然准则在频域和倒谱域分别对噪音和信道进行补偿,避免了对噪音和信道影响模型进行简化所带来的误差影响,且实现时间复杂度较低。在信噪比由10dB到20dB的含有信道和加性噪音的汉语数字串识别实验中,该方法使平均音节错误率相对下降了50．44%。实验表明频谱和倒谱的联合调整方法可以快速的补偿信道差异和背景噪音。     

一种水下远程目标探测的方法

提出了通过估计目标反向散射系数来探测水下远程目标的一种方法。把估计目标及其附近散射体的反向散射系数构成的序列转化为海洋信道这一带乘性噪声系统的反卷积估计,并给出了最优反卷积算法。在加性噪声和乘性噪声前两阶矩未知的情况下通过建立系统状态滤波和时变噪声统计量交替估计的自适应状态滤波器,给出了自适应反卷积算法。利用上述两种反卷积算法分别对低信噪比(-6.1 dB)微弱信号进行仿真处理,仿真结果证明了所提出方法的有效性。     

改进的噪声鲁棒语音稀疏线性预测算法

语音线性预测分析算法在噪声环境下性能会急剧恶化,针对这一问题,提出一种改进的噪声鲁棒稀疏线性预测算法。首先采用学生t分布对具有稀疏性的语音线性预测残差建模,并显式考虑加性噪声的影响以提高模型鲁棒性,从而构建完整的概率模型。然后采用变分贝叶斯方法推导模型参数的近似后验分布,最终实现噪声鲁棒的稀疏线性预测参数估计。实验结果表明,与传统算法以及近几年提出的基于l_1范数优化的稀疏线性预测算法相比,该算法在多项指标上具有优势,对环境噪声具有更好的鲁棒性,并且谱失真度更小,因而能够有效提高噪声环境下的语音质量。