排序方式: 共有4条查询结果,搜索用时 31 毫秒
1
1.
语音存在概率的估计是语音增强的核心技术之一,针对传统的存在概率估计方法是启发式的,没有把存在概率的估计统一到一个理论框架之中,不能保证估计最优,提出了一种基于序贯隐马尔可夫模型(SHMM)的存在概率估计方法,在每一子带上构建一个SHMM模型描述对数功率谱包络的时间序列,把谱包络序列看作一个在语音和噪声状态之间转移的动态一阶马尔可夫链,采用单高斯函数构建每一状态的概率模型,语音状态的后验概率即为语音信号的存在概率。为了满足算法实时性要求,SHMM参数估计简化为一阶回归过程,根据极大似然准则逐帧更新模型参数。实验表明:SHMM所描述的时序相关性对存在概率的估计起到关键作用,它优于一般的启发式估计方法;SHMM算法的语音增强分段信噪比(SegSNR)和对数谱失真(LSD)性能优于经典的改进型最小统计量控制递归平均(IMCRA)算法。 相似文献
2.
3.
准确的心音分割是分析和处理心音信号的基本前提。主流的心音分割算法采用监督式预先训练的方法构建统计模型,它不仅依赖于繁琐的手工标注,还存在模型与被分割数据之间的不匹配问题。提出了一种面向心音分割的个性化高斯混合建模方法,避免了手工标注和预先训练,而且在线训练获得的个性化模型能够高度匹配被分割的心音数据。由于心音信号的周期在一段短时间内很稳定,因此假设在包含若干心动周期的分析窗内,心音信号具有稳定的周期性,通过主成分分析提取本征心动周期信号,通过无监督学习构建个性化的统计模型,根据模型实现窗内每一心动周期的分割。实验表明,算法的平均分割准确率比主流的LRHSMM算法高3%。 相似文献
4.
提出了一种基于极大似然的噪声对数功率谱估计方法,采用高斯混合模型对每一个频带上的功率谱包络构建统计模型,将时序包络划分为语音和非语音类,它们分别对应于高斯混合模型的两个高斯分量,描述语音和非语音的统计分布,其中非语音高斯分量的均值即为噪声功率谱的最优估计.采用序贯学习的方法,在极大似然准则下逐帧更新模型参数,并逐帧给出噪声功率谱的最优估计值。此外,由于序贯更新过程中语音信号长时缺失,容易导致模型失稳,提出了一种在线的最小描述长度准则(MDL)来判断语音信号是否长时缺失,从而保证了模型的稳定性.实验表明,算法性能整体优于经典的MS和IMCRA算法。 相似文献
1