导读:本文包含了语音信号分析论文开题报告文献综述、选题提纲参考文献，主要关键词:语音,信号,递归,滤波器,分解,基音,小波。
语音信号分析论文文献综述写法
杜路泉[1]（2019）在《基于MATLAB仿真的语音信号分析》一文中研究指出语音信号是信息的载体,语音交互是重要的人机交互方式。对不同的语音信号进行傅立叶级数展开和傅立叶变换分析,如连续时间周期信号及非周期信号和离散时间周期信号及非周期信号,并且通过选择不同采样频率对语音信号进行采样分析,验证了信号的采样定理。以Matlab为分析工具,通过对录制原始语音信号进行时域分析、频域分析;并对原始语音信号进行加噪处理。通过设计各种滤波器,如带阻滤波器、低通滤波器、巴特沃斯滤波器等,对含噪信号进行时分析域和频域分析。通过选择合适的滤波器参数对语音信号进行去噪处理,同时进行分析对比去噪前后语音信号。对滤波前后语音信号时域波形和频域波形变化和播放变化进行分析对比,在进行滤波后语音信号得到很好的改善。(本文来源于《湖南工业职业技术学院学报》期刊2019年01期）
张梦璐,曹志民,韩建[2]（2018）在《基于C8051F060单片机语音信号分析仪设计》一文中研究指出本文采用C8051F060单片机为控制核心,以快速傅里叶变换理论算法为基础,设计了音频信号分析仪。该分析仪可实现实时分析音频信号频谱,输入信号的总功率,正弦信号失真度等参数并显示。利用AD7520实现程控增益放大,扩大了输入信号动态范围,提高了输入信号灵敏度。(本文来源于《电子世界》期刊2018年13期）
陆振宇,卢亚敏,夏志巍,黄现云[3]（2018）在《基于变分模态分解和小波分析的语音信号去噪方法》一文中研究指出针对传统的语音信号降噪方法可能滤除部分有效信号且信噪比尚可进一步提升的问题,提出一种基于变分模态分解和小波分析去噪的方法。利用VMD对原始语音信号进行分解,分别对各模态分量进行相关性分析并设定阈值,对低于阈值的模态分量进行小波阈值去噪,提取出有用信号之后再与剩余的模态进行重构。仿真实验结果表明,采用所提方法去噪后的信噪比得到了很好的提高,且避免了在直接采用EEMD和VMD去噪过程中出现部分有用信号丢失的情况,最终实现了良好的去噪效果。(本文来源于《现代电子技术》期刊2018年13期）
黄春燕,景妮洁,祝红梅[4]（2018）在《语音信号的MATLAB分析与处理》一文中研究指出MATLAB是十分强大的用于数据分析和处理的工程实用软件,利用其来进行语音信号的分析、处理和可视化十分便捷。文中介绍了在MATLAB环境中如何驱动声卡采集语音信号和语音信号采集后的文档处理方法,并介绍了FFT频谱分析原理及其显示、MATLAB中相关函数的功能、滤波器的设计和使用。在此基础上,对实际采集的一段含噪声语音信号进行了相关分析处理,结果表明利用MATLAB处理语音信号十分简单、方便且易于实现。(本文来源于《计算机科学》期刊2018年S1期）
范珍艳,庄晓东,孙桂琪[5]（2018）在《单音素语音信号的递归定量分析》一文中研究指出本文提出了采用递归图和递归定量分析的方法分析单音素语音信号的不同特征。首先采用C_C方法计算得到合适的嵌入维数和延迟时间,并采用相空间重构方法将一维时间序列扩展到高维相空间中,获得时间序列在高维相空间中邻近点的运动特点。然后构建了单音素语音信号的递归图,可以直观定性的分析单音素语音信号的不同特征。并采用递归定量分析(RQA)方法计算不同单音素语音信号的非线性特征量—递归率,递归熵,确定率,分层度等,定量地分析不同的单音素语音信号的特征。(本文来源于《电子元器件与信息技术》期刊2018年05期）
李亭亭,邓丽,许博,段从武[6]（2018）在《语音信号特征参数的分析和选取》一文中研究指出在与文本有关的说话人识别系统中,既需要识别说话人的身份,又需要识别语音文本的内容。语音信号特征参数的选取对系统来说至关重要。目前,在传统语音识别系统的研究中,主要采用MFCC参数作为特征参数进行识别。笔者对语音信号特征参数进行分析,对不同的语音特征参数组合进行实验。实验结果证明,在该系统中,MFCC参数与基音参数的组合提高了系统的识别率。(本文来源于《信息与电脑(理论版)》期刊2018年05期）
张瑞博[7]（2018）在《时频分析在语音信号增强中的应用》一文中研究指出噪声干扰在我们的生活中无处不在,时时刻刻影响着人们的通话交流,因而语音增强技术一直是一个研究的热点。通常我们所熟知的语音信号是一种非平稳信号,而时频分析是用来研究非平稳信号的有力工具。与传统高斯噪声不同,一种普遍存在的噪声不能用高斯分布描述,是一种冲击性更强的干扰。在冲击干扰影响下,经典的语音去噪算法的性能并不理想。因而,需要我们进一步研究冲击干扰下的语音增强问题。主要的研究内容如下:1.针对受冲击干扰影响的语音信号去干扰问题的研究。在这个工作中,冲击干扰是由一个未知的稀疏矢量建模的,因此它可以被有效地抑制。该语音信号在小波域内稀疏地表示。为了实现语音恢复的同时抑制噪声,基于它们在不同域的稀疏表示的事实,设计了一个联合估计。为了有效地解决这个问题,分别采用了联合的贪婪估计算法和交替方向乘子(ADMM)法来获得解。仿真结果验证了所提出方法的优越性。2.利用变换域研究了混合冲击干扰和高斯噪声下的语音去噪问题。为了达到语音增强的目的,提出的噪声抑制方案是一种由冲击干扰抑制模块和高斯噪声抑制模块组成的级联形式。对于冲击干扰减噪子系统,在该工作中,噪声是由时域表示的,而短时傅里叶变换(STFT)、小波变换(WT)和同步压缩小波变换(WSST)为语音信号提供了稀疏的表示。利用变换域,在优化框架下,实现了语音恢复和冲击干扰抑制。随后,利用ADMM的交替方向法求解l-范数约束优化问题。在高斯噪声减噪子系统中,高斯噪声也在变换域中被维纳滤波器抑制。数值研究,包括仿真和实际数据分析,证明了该方案的优越性。最后,文章从组稀疏的角度对语音信号进行分析,尝试用新的方法对高斯噪声处理,仿真实验也验证了方法的可行性。(本文来源于《重庆邮电大学》期刊2018-03-15）
钟誉嘉[8]（2018）在《单一分量贝叶斯方法在语音信号分析中的应用研究》一文中研究指出本文介绍的经验模态分解方法主要针对语音信号分析中的模型建立过程,使用经验模态分解的方法,根据声纹数据自身的特征,产生一组自适应基底,并将数据分解为单一分量。结合贝叶斯方法,可对声纹信号进行分析以及预测。利用单一分量分析的思路,有效地降低了预测模型的阶数,提高了预测精度与节约了计算资源。经验模态分解在声纹信号分解中的应用,可以提高对非平稳过程的鲁棒性。首先,在绪论中介绍了语音信号测试的背景以及应用场合。同时,引入贝叶斯方法,结合经验模态分解所获得的单一分量信号,可获得更好的振动语音分析。之后主要介绍了贝叶斯方法的起源以及近年来的应用,并选择了线性递推模型进行后续的信号预测;然后,介绍了目前主要的几种成分分离的方法,着重介绍了短时傅立叶变换、小波变换以及经验模态分解;最后,结合贝叶斯方法以及经验模态分解,利用仿真分析,分析了白噪声序列各个本征函数之间的相关性,得出其不同阶数的相关系数仅为10~(-4)。验证了经验模态分解作为单一分量分离方法的可行性。利用反应谱反演获得的非平稳时域信号,对比了不同的生成参数以及轮廓函数所得到的数据,并选择指数曲线作为轮廓函数。验证了贝叶斯动态预测的可行性;针对语音信号进行了仿真分析,对比了复杂信号以及单一分量信号预测的结果,最后将本方法应用于实际的语音信号分析,得出各个单一分量预测误差(0.0013m/S2)的和小于整体预测误差(0.009m/S2)的10%。(本文来源于《吉林大学》期刊2018-03-01）
张文[9]（2018）在《脑磁图信号时域分析算法及其在语音响应分析中的应用》一文中研究指出语音是人类的主要交流方式。语音理解过程中,大脑利用内隐的语言学知识,从语音这种声音信号中解码出说话人所要表达的意义。日常生活中,语音往往以连续声音流的形式呈现,从连续语音流中分离出分层级的离散语言结构(比如音节、词汇、短语和句子)并构建其神经表征是语音理解的核心步骤。已有研究表明语音理解过程中会产生与语音中音节、短语和句子节奏同步的神经响应,但是已有方法在信号处理过程中丢失了信号的相位信息,只能利用频域的幅度谱对信号进行分析。针对这个问题,本文提出一种新的神经响应分析方法,这种新的方法可以对齐不同被试的神经响应相位,从而实现对神经响应的时域分析。首先,本文提出一种基于多数据集典型相关分析(multiset Canonical CorrelationsAnalysis,mCCA)的脑磁图分析方法,并采用交叉检验方法,基于真实数据对该方法的效果进行验证。分析结果表明这种新方法综合分析多个被试的脑电响应,可以对齐被试间的响应相位。其次,本文利用降噪源分离(Denoising SourceSeparation,DSS)对数据进行降维,并发现基于DSS子空间的方法可以进一步提升mCCA脑磁图分析的效率和稳定性。本论文的分析也揭示了之前通过研究脑磁图信号频谱能量无法揭示的一些问题:首先,大脑皮层对不同层级语法结构的追踪响应出现在刺激的开始,而不是随着刺激不断重复而缓慢建立。其次,不同层级语法结构的神经追踪响应是缓慢的神经波动,而不是一系列出现在句子边界的冲激响应。最后非常重要的是,音节神经响应和短语、句子的神经响应在空间上是可分离的。综上,本文提出了一种基于多数据集的脑磁图分析方法,可以稳定地实现对多被试脑磁图响应的时域分析。(本文来源于《浙江大学》期刊2018-01-04）
徐庆高[10]（2017）在《基于小波变换的语音信号去噪问题分析》一文中研究指出日常生活中,人们传递信息的主要方式即为语音,但语音质量会受到周围环境的干扰,因此要开展去噪处理。本文中分析了利用小波变换去除语音信号中噪音的方法。(本文来源于《中国新通信》期刊2017年24期）
语音信号分析论文开题报告范文
（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：
本文采用C8051F060单片机为控制核心,以快速傅里叶变换理论算法为基础,设计了音频信号分析仪。该分析仪可实现实时分析音频信号频谱,输入信号的总功率,正弦信号失真度等参数并显示。利用AD7520实现程控增益放大,扩大了输入信号动态范围,提高了输入信号灵敏度。
（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。
语音信号分析论文参考文献
[1].杜路泉.基于MATLAB仿真的语音信号分析[J].湖南工业职业技术学院学报.2019
[2].张梦璐,曹志民,韩建.基于C8051F060单片机语音信号分析仪设计[J].电子世界.2018
[3].陆振宇,卢亚敏,夏志巍,黄现云.基于变分模态分解和小波分析的语音信号去噪方法[J].现代电子技术.2018
[4].黄春燕,景妮洁,祝红梅.语音信号的MATLAB分析与处理[J].计算机科学.2018
[5].范珍艳,庄晓东,孙桂琪.单音素语音信号的递归定量分析[J].电子元器件与信息技术.2018
[6].李亭亭,邓丽,许博,段从武.语音信号特征参数的分析和选取[J].信息与电脑(理论版).2018
[7].张瑞博.时频分析在语音信号增强中的应用[D].重庆邮电大学.2018
[8].钟誉嘉.单一分量贝叶斯方法在语音信号分析中的应用研究[D].吉林大学.2018
[9].张文.脑磁图信号时域分析算法及其在语音响应分析中的应用[D].浙江大学.2018
[10].徐庆高.基于小波变换的语音信号去噪问题分析[J].中国新通信.2017