导读:本文包含了混合激励线性预测论文开题报告文献综述、选题提纲参考文献及外文文献翻译，主要关键词:语音,声码,矢量,线性,基音,强度,周期。
混合激励线性预测论文文献综述
朱宗明,姜占才[1]（2015）在《改进的混合激励线性预测编码算法》一文中研究指出针对混合激励线性预测编码中子带声音强度的硬判决导致激励源欠精细问题,将子带声音强度视为5维的模糊特征矢量,用改进的LBG算法设计码本并用5bit对其作矢量量化;以精细量化的子带声音强度调制带通滤波器,以此获取精细的混合激励信号,最终达到改善合成语音质量的目标。仿真实验表明:改进算法能有效地改善合成语音的自然度。(本文来源于《新型工业化》期刊2015年09期）
王琛[2]（2015）在《改进的混合激励线性预测编解码器算法》一文中研究指出随着科技的发展,如何在众多通信系统中有效的传递语音信息仍然是人们研究的重点。最早的语音通信采用模拟语音通信实现了语音的远距离传输,但随后出现的数字语音通信,在可靠性、快速交换、抗干扰等方面以无法比拟的优势取代了模拟语音通信,它的缺点是过多的占用了频带。但通过语音编码技术的深入研究,可以有效的降低信号传输时占用的频带。近年来,语音通信带宽有限的问题似乎已经得到解决,但是随着数字通信业务的发展和实际通信中的需要,继续降低语音编码速率,提高信道利用率成为了人们的迫切需要。因此较高质量的低速率语音编码算法成为了语音编码技术中必不可少的研究方向。目前,低速率语音编码技术在算法和结构这两个方向上的发展变得越来越复杂,混合激励线性预测(MELP)算法作为其中的优秀算法之一,是目前低速率语音编码中最具潜力的算法。该算法在基本的LPC模型基础上,用混合激励取代过于简单的二元激励,利用多带思想,更好的模拟出自然语音特性,合成出较高质量的语音。本文经过对MELP算法编解码原理的分析,针对MELP声码器基音周期提取的复杂性和子带声音强度矢量量化粗造性,提出了两项大的改进。一是将基音周期的提取方法改进成一种较为简化的算法；二是对子带声音强度矢量量化方法的设计和实现,得到了一种改进的MELP声码器算法(A-MELP)。最后对改进的MELP算法进行了大量、充分的仿真实验。(本文来源于《青海师范大学》期刊2015-04-01）
吴笑尘[3]（2014）在《混合激励线性预测语音编码算法的实时实现》一文中研究指出语音作为一种有效的信息沟通手段,是通信传输中的主要信源。水下语音通信由于受到水声信道的限制成为了水声通信应用中最富挑战性的研究课题之一。在可利用的频带资源内最大限度挖掘频带资源,并最大限度的降低语音信号的通信速率,以获得高质量的语音通信成为了当前人们的研究热点。混合激励线性预测(Mixed Excitation Liner Prediction, MELP)编码具有较高的语音压缩率和较好的保密性能,并具有很高的实用价值。本文应用混合激励线性预测编码算法作为水下通信系统的语音信号处理模块。并将重点放在了如何在现有的传输数据率下提高合成语音的质量。本文首先对混合激励线性预测低速率语音编码算法的流程进行了分析,给出了包括基音周期、码本、线性预测系数等的仿真结果。介绍了从编码端语音信号的参数提取到解码端合成语音的过程。进行了混合激励线性预测编码的仿真,重点研究了在不同场景下算法对干扰的容错能力,分析结果表明算法自身对干扰具有一定的容忍能力。验证了该算法在通信中,存在误码的条件下依然具有一定的稳健性,明确了编码端发送帧中各参数的重要性。据此可以对编码端发送帧的各参数的重要程度进行排序,对更为关键的信息予以保证。其次,针对水下语音通信的特点,设计采用预加重技术和子空间语音增强技术对混合激励线性预测编码算法进行改进以提高语音合成效果。再次,为进一步降低语音编码数据率,利用自适应差分思想对算法的编码和量化部分进行改进,仿真结果表明该算法可以在保证部分语音恢复质量基础上降低编码数据率。最后,根据DSP实时编码需求以及所需的资源条件对算法进行了配置与优化。根据 TMS320C6713 DSK 中的 DSP/BIOS,EDMA 和 McBSP 等硬件资源,采用 AIC23实现对语音信号的数据采集部分以完成硬件平台的搭建。调整程序中寄存器的分配及占用大小等,以实现对该算法的优化。最终将C语言算法移植到TMS320C6713DSK平台上,实现混合激励线性预测语音低速率编码。(本文来源于《哈尔滨工程大学》期刊2014-05-15）
肖东,莫福源,陈庚,马力[4]（2012）在《混合激励线性预测语音编码标准中线谱频率量化的研究》一文中研究指出线谱频率(Line Spectral Frequency,LSF)是线性预测频谱系数(Linear Predication Coefficient,LPC)有效的编码形式。语音线性预测模型中,LPC反映了声道调制的模型,是影响语音听觉感知重要的参数之一。在混合激励线性预测语音编码(Mixed Excitation Linear Prediction,MELP)标准中,对LSF采用4级码本进行分级式矢量量化。首先,为减少其量化冗余度以降低编码速率,本文提出了一种改进的选择算法,生成了一个2级码本替换之。其次,为提高合成语音质量,依据LSF矢量量化的精度与合成语音质量的关系的实验结果,提出根据人耳听觉感知特性进行LSF量化和评价的方法,并予以实验证明。(本文来源于《应用声学》期刊2012年02期）
贾亮,赵鹏飞,危国腾[5]（2010）在《混合激励线性预测低速率语音编码研究》一文中研究指出为了满足数字通信及其他商业应用的需求,语音压缩编码技术得到迅速发展。近年来主流的低速率语音编码方案主要基于LPC-10,混合激励线性预测(MELP),多带激励编码(MBE),正弦变换编码(SCI),波形内插编码(WI),大多都工作在2.4 kb/s速率下。作为一种重要的低速率语音编码算法,MELP算法对LPC-10编码方案进行大量改进,引入混合激励,非周期脉冲,残差付氏幅度谱,脉冲散布和自适应谱滤波5个特征。实验结果表明,该混合激励线性预测编码在2.4 kb/s上得到了更好的合成语音,并使得合成语音能更好地拟合自然语音。(本文来源于《电子设计工程》期刊2010年03期）
范晶[6]（2008）在《混合激励线性预测语音编码的算法研究》一文中研究指出随着通信技术以及互联网语音实时传输技术的迅速发展,对语音的传输速率和存储容量都提出了很高的要求,解决这些问题的主要途径之一就是语音编码。因此,语音编码的研究,特别是低速率语音编码的研究,具有十分重要的实用意义。在现有的语音编码研究中,混合激励线性预测语音编码(MELP)是一种比较好的方法,它结合了二元激励、码激励和多带激励的优点,将短时语音段划分为若干子带,在每个子带中分别进行清浊音判别;在合成端,采用周期性脉冲序列和随机噪声的混合序列去激励语音合成滤波器,能在较低的码率下得到较好的再生语音。2.4kbps混合激励线性预测语音编码已经被确立为美国新的联邦语音编码标准。本论文通过研究MELP的语音编解码算法的原理,对它的编解码过程做了比较深入的研究,我们发现在基音周期及线性预测系数量化这方面还可以进行一定的改进。在标准MELP的算法中,对于那些包含有不规则周期的语音信号段,计算得到的互相关值较小,把它误认为是清音,因此会引入噪音。在这里采用了一种改变基音周期的算法,使基音周期的计算更加精确。此外,在对LSF进行量化的过程中,其码本的存储量与计算的复杂度都很大。针对于这一问题,我们提出了叁级矢量量化的方法,从而可以把MELP的码率降到2.1kbps左右,仍有较好的合成语音质量。本文最后在MATLAB编程环境下对MELP算法及其改进后的MELP算法进行了仿真,仿真结果表明经过解码后的语音信号及其改进后语音信号的输出波形与原始语音信号的波形很相似,只是在能量较大的浊音段合成语音波形有相对较大的幅度以及有一定的时延,从而验证了该算法的可行性。(本文来源于《哈尔滨工程大学》期刊2008-03-01）
范晶,和应民,王桂梅[7]（2007）在《2.4kb/s混合激励线性预测语音编码的研究》一文中研究指出介绍了2.4kb/s混合激励线性预测语音编码(MELP)技术,给出了声码器参数比特分配表,用matlab对其进行仿真,根据仿真的结果对合成语音与原始语音的质量作了比较深刻的分析.计算机模拟及非正式的语音试听结果表明,该编码器可以获得在主观听音方面接近于4.8kb/s的CELP的合成语音。(本文来源于《牡丹江师范学院学报(自然科学版)》期刊2007年04期）
马欣,刘常澍,李文元,张毓忠[8]（2007）在《一种改进的2.4kb/s混合激励线性预测声码器方案》一文中研究指出本文针对标准的2.4kb/s MELP声码器的不足之处提出了两项改进措施,一是提出了一种新的参数“能量—微分过零率比”,用来对语音的过渡段和弱能量浊音段的清浊音判决进行调整;二是对线谱对的多级矢量量化(MSVQ)提出了一种多径搜索算法。实验和主观听觉测试表明,在同样2.4kb/s的码率下,改进MELP声码器的合成语音在可懂度和自然度方面都有一定的提高。(本文来源于《电路与系统学报》期刊2007年03期）
马震,陈延萍[9]（2007）在《混合激励线性预测(MELP)编码方法研究及在商业规范化服务中的应用》一文中研究指出一、引言从20世纪90年代开始,人类开始进入信息社会,也称信息化社会。信息作为继物质和能源之后的第叁资源,在商业发展中起着主导作用。语音是人们交流信息的主要手段之一,用数字化的方法进行语音的传送、存储、识别、合成等构成了目前商业应用中最重要、最基本的组成部分之一。也正因为信息化社会的高速发展,媒介资源、存储资源也就显得更加宝贵。因此,压缩语(本文来源于《商场现代化》期刊2007年05期）
马震,陈延萍[10]（2006）在《2.4kbps混合激励线性预测编码方法研究》一文中研究指出分析LPC编码方法缺点的基础上,介绍了混合激励线性预测(MELP)编码方法,着重分析了它的一些新特性。进而,设计了2.4kbps的MELP编码器,并用Matlab进行了仿真。仿真结果证明该编码器可以获得在主观听音方面接近于4.8kbps的CELP的合成语音。(本文来源于《声学与电子工程》期刊2006年02期）
混合激励线性预测论文开题报告
（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：
随着科技的发展,如何在众多通信系统中有效的传递语音信息仍然是人们研究的重点。最早的语音通信采用模拟语音通信实现了语音的远距离传输,但随后出现的数字语音通信,在可靠性、快速交换、抗干扰等方面以无法比拟的优势取代了模拟语音通信,它的缺点是过多的占用了频带。但通过语音编码技术的深入研究,可以有效的降低信号传输时占用的频带。近年来,语音通信带宽有限的问题似乎已经得到解决,但是随着数字通信业务的发展和实际通信中的需要,继续降低语音编码速率,提高信道利用率成为了人们的迫切需要。因此较高质量的低速率语音编码算法成为了语音编码技术中必不可少的研究方向。目前,低速率语音编码技术在算法和结构这两个方向上的发展变得越来越复杂,混合激励线性预测(MELP)算法作为其中的优秀算法之一,是目前低速率语音编码中最具潜力的算法。该算法在基本的LPC模型基础上,用混合激励取代过于简单的二元激励,利用多带思想,更好的模拟出自然语音特性,合成出较高质量的语音。本文经过对MELP算法编解码原理的分析,针对MELP声码器基音周期提取的复杂性和子带声音强度矢量量化粗造性,提出了两项大的改进。一是将基音周期的提取方法改进成一种较为简化的算法；二是对子带声音强度矢量量化方法的设计和实现,得到了一种改进的MELP声码器算法(A-MELP)。最后对改进的MELP算法进行了大量、充分的仿真实验。
（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。
混合激励线性预测论文参考文献
[1].朱宗明,姜占才.改进的混合激励线性预测编码算法[J].新型工业化.2015
[2].王琛.改进的混合激励线性预测编解码器算法[D].青海师范大学.2015
[3].吴笑尘.混合激励线性预测语音编码算法的实时实现[D].哈尔滨工程大学.2014
[4].肖东,莫福源,陈庚,马力.混合激励线性预测语音编码标准中线谱频率量化的研究[J].应用声学.2012
[5].贾亮,赵鹏飞,危国腾.混合激励线性预测低速率语音编码研究[J].电子设计工程.2010
[6].范晶.混合激励线性预测语音编码的算法研究[D].哈尔滨工程大学.2008
[7].范晶,和应民,王桂梅.2.4kb/s混合激励线性预测语音编码的研究[J].牡丹江师范学院学报(自然科学版).2007
[8].马欣,刘常澍,李文元,张毓忠.一种改进的2.4kb/s混合激励线性预测声码器方案[J].电路与系统学报.2007
[9].马震,陈延萍.混合激励线性预测(MELP)编码方法研究及在商业规范化服务中的应用[J].商场现代化.2007
[10].马震,陈延萍.2.4kbps混合激励线性预测编码方法研究[J].声学与电子工程.2006
论文知识图
