基于鸟类语音分离的群鸟监测应用

论文摘要

鸟类作为地球生态系统中的重要生物指示,需要长期持续不断地监测,传统观测方法采用的是样方法、标记重补法等人工监测方法,这些方法监测结果误差大,难提供准确信息。针对传统观测方法的不足,本文利用语音分离技术将麦克风采集到的鸟群混合语音进行分离,根据分离结果即可估算出鸟类的数量,达到监测效果,这种方法不需要大量的人力物力,可获得更为有效的监测结果。本文主要工作如下:(1)鸟类语音信号混合模型构建以及降噪等预处理。考虑到空旷树林中的语音信号的混响与回声情况,构建无回声模型,研究维纳滤波信号降噪处理算法,并进行带噪仿真。另外,本文根据实际场景,分析影响语音采集的相关因素,确定合适的麦克风型号,以及在现实树林中所适合的麦克风阵列的类型,设计合理的采集端作为信号的输入口。采用麦克风阵列,可以大大减小环境因素所带来的噪声干扰。(2)研究DUET(Degenerate Unmixing Estimation Technique–DUET)盲语音分离优化算法。针对DUET算法默认源信号不重叠稀疏表示所带来的误差,理论推导信号矢量旋转变换对其改善的效果。(3)研究快速密度聚类盲分离算法及其在鸟类语音分离中的应用。这是一种利用聚类中心来进行估算的方法,首先对采集到的鸟类语音信号做时频域转换,然后对其做单源点检测,划分单源点的区间和多源点区间,并分别对单源点和多源点区间的信号进行处理,再根据DUET算法得出单源点与多源点局域恢复语音信号并实施合并,最后进行傅里叶变换逆变换即可得到较高质量的源语音信号。(4)仿真实现负熵最大化的FastICA(Fast Independent Component Analysis,ICA)算法,证明了其在混合鸟类语音信号分离的较好效果。该算法首先对采集语音进行白化和中心化,然后设置迭代次数和分量个数,选择初始权量,根据算法的步骤进行迭代,直至数据收敛。经过仿真证实了该算法分离效果较好,适合于麦克风阵列对鸟类语音的监测应用。本文设计了一个应用方案,利用Matlab设计了一个仿真系统GUI,结合计算机和录音机模拟真实场景,测试了鸟类混合语音分离算法性能。测试结果表明分离语音与源语音相似度超过85%,并且随着鸟类数量增加至500个,估算误差小于4个,证明本文所研究的分离算法对鸟类监测应用的可行性。

论文目录

• 摘要
• Abstract
• 第1章 绪论
•   1.1 研究背景与意义
•   1.2 国内外研究现状及发展趋势
•   1.3 语音分离算法研究现状及发展趋势
•   1.4 本文主要研究内容
• 第2章 盲语音分离相关理论基础
•   2.1 语音信号的特点
•     2.1.1 语音信号的短时平稳特性
•     2.1.2 语音信号的稀疏特性
•     2.1.3 鸟类语音的与人类语音的区别
•   2.2 鸟类语音信号的预处理
•     2.2.1 短时傅里叶变换
•     2.2.2 端点检测
•   2.3 盲源语音分离的数学模型
•     2.3.1 无回声模型
•     2.3.2 混响模型
•     2.3.3 空-时模型
•   2.4 本章小结
• 第3章 语音信号的采集与增强
•   3.1 鸟类语音信号的增强
•     3.1.1 鸟类语音的采集
•     3.1.2 鸟类语音信号的降噪
•   3.2 麦克风阵列的应用
•   3.3 本章小结
• 第4章 盲源语音分离算法的实现
•   4.1 DUET盲源分离算法的改进
•     4.1.1 DUET算法
•     4.1.2 旋转变换改进
•   4.2 聚类算法
•     4.2.1 基于密度聚类的算法
•     4.2.2 聚类算法的扩展
•   4.3 ICA语音分离算法
•     4.3.1 ICA经典算法
•     4.3.2 FastICA语音分离算法
•   4.4 本章小结
• 第5章 应用系统设计及仿真
•   5.1 引言
•   5.2 系统方案的设计
•   5.3 算法仿真
•     5.3.1 实验一改进的聚类算法仿真与分析
•     5.3.2 实验二基于负熵最大化的FastICA算法仿真与分析
•   5.4 两种分离算法的分离效果对比
•   5.5 本章小结
• 第6章 总结与展望
•   6.1 主要工作及总结
•   6.2 展望
• 参考文献
• 致谢

文章来源

类型: 硕士论文

作者: 陈彬

导师: 杨春勇

关键词: 麦克风阵列,算法,密度聚类

来源: 中南民族大学

年度: 2019

分类: 基础科学,信息科技

专业: 生物学,电信技术

单位: 中南民族大学

分类号: Q958;TN912.3

总页数: 55

文件大小: 1595K

下载量: 4