导读:本文包含了倒谱系数论文开题报告文献综述、选题提纲参考文献，主要关键词:谱系,梅尔,特征,高斯,语音,巴克,音分。
倒谱系数论文文献综述写法
李如玮,孙晓月,刘亚楠,李涛[1]（2019）在《基于深度学习的听觉倒谱系数语音增强算法》一文中研究指出针对现有语音增强算法在低信噪比(SNR)非平稳噪声环境下的表现并不理想这一问题,提出了一种基于深度学习的语音增强算法.首先,构建了一个深度神经网络(DNN),然后从四个不同分辨率的耳蜗中提取了多分辨率听觉倒谱系数(MRACC)作为神经网络的输入,该系数既关注了细节的高分辨率特征,又把握了全局性的低分辨率特征;其次,跟踪噪声变化构建了一个自适应掩蔽阈值(AM)作为神经网络的训练目标,该阈值能够依据噪声调节理想二值掩蔽(IBM)和理想软掩蔽(IRM)的权重;最后,将估计的自适应掩蔽阈值用于对含噪语音进行增强.实验结果表明:相较于对比算法,该算法不仅可以进一步提高语音质量和可懂度,而且能够抑制更多的噪声.(本文来源于《华中科技大学学报(自然科学版)》期刊2019年09期）
胡君,王让定,严迪群,林朗[2]（2019）在《基于带阻滤波倒谱系数的回放语音检测算法》一文中研究指出语音技术的发展及高保真设备的普及,使得回放语音给声纹认证系统的安全性带来了极大挑战;为此,本文提出一种基于带阻滤波倒谱系数的回放语音检测算法。该算法从特征层面和分类器层面对原始语音和回放语音进行了差异性分析,提出在时域使用带阻滤波的方法来保留高频和低频信号;然后将滤波后的信号进行倒谱特征提取并使用高斯混合模型进行分类;最后为验证本文提出的算法的有效性,我们将该算法在ASV spoof 2017数据库上进行了实验验证。结果表明,我们提出的算法等错误概率为9.75%,相较于ASV spoof 2017数据库两种基线系统,本算法在等错误率方面分别有60%和20%的提升。(本文来源于《无线通信技术》期刊2019年03期）
王天锐,鲍骞月,秦品乐[3]（2019）在《基于梅尔倒谱系数、深层卷积和Bagging的环境音分类方法》一文中研究指出针对传统环境音分类模型对环境音特征提取不充分,以及卷积神经网络用于环境音分类时全连接层易造成过拟合现象的问题,提出了梅尔倒谱系数(MFCC)、深层卷积和Bagging算法相结合的环境音分类方法。首先,针对原始音频文件,利用预加重、加窗、离散傅里叶变换、梅尔滤波器转换、离散余弦映射等方法建立梅尔倒谱系数特征模型;然后,将特征模型输入卷积深度网络进行第二次特征提取;最后,借鉴强化学习思想,用Bagging集成算法集成线性判别分析器、支持向量机(SVM)、Softmax回归、XGBoost四个模型,以投票预测的形式对网络输出结果进行预测。实验结果表明,所提方法能够有效提高对环境音的特征提取能力和深层网络在环境音分类上的抗过拟合能力。(本文来源于《计算机应用》期刊2019年12期）
林晓丹,邱应强[4]（2019）在《基于翻转梅尔频率倒谱系数的语音变调检测方法》一文中研究指出语音变调常用于掩盖说话人身份,各种变声软件的出现使得说话人身份伪装变得更加容易。针对现有变调语音检测方法无法判断语音是经过了何种变调操作(升调或降调)的问题,通过分析语音变调在信号频谱,尤其是高频区域留下的痕迹,提出了基于翻转梅尔倒谱系数(IMFCC)统计矩特征的电子变调语音检测方法。首先,提取各语音帧IMFCC及其一阶差分;然后,计算其统计均值;最后,在该统计特征上利用支持向量机(SVM)多分类器的设计来区分原始语音、升调语音和降调语音。在TIMIT和NIST语音集上的实验结果表明,所提方法无论对于原始语音、升调语音还是降调语音都具有良好的检测性能。与MFCC作为特征构造的基线系统相比,所设计的特征的方法明显提高了变调操作的识别率。在较少的训练资源的情况下,所提方法也获得了比基于卷积神经网络(CNN)的框架更好的性能;此外,在不同数据集和不同变调方法上也都取得了较好的泛化性能。(本文来源于《计算机应用》期刊2019年12期）
张少康,田德艳[5]（2019）在《水下声目标的梅尔倒谱系数智能分类方法》一文中研究指出传统水下声目标识别分类方法具有较强的人机交互特性,无法满足未来水下无人平台智能识别分类水声目标的需求。针对这一问题,提出了一种基于梅尔倒谱系数的水下声目标智能识别分类方法,该方法通过提取水下声目标梅尔倒谱系数特征,采用长短时记忆网络构建了智能识别分类模型。使用实际水声信号对该方法进行了验证,结果表明,基于梅尔倒谱系数的水下声目标智能识别分类方法能够在不依赖人工提取特征的情况下,对目标噪声进行识别分类,具备智能化识别分类能力。(本文来源于《应用声学》期刊2019年02期）
倪纪伟,彭妙颜[6]（2019）在《基于Fisher比的Bark倒谱系数混合特征参数提取方法》一文中研究指出在说话人识别应用中,本文针对传统的Bark尺度特征参数提取过程中的不足,利用高斯滤波器组(Gaussian shaped filters,GF)代替叁角滤波器组,对输入的能量进行滤波,其相比叁角滤波器滤波结果更加平滑。由于巴克倒谱系数(BFCC)在高频精度不足,再利用Fisher准则将BFCC与IBFCC相结合,构造了一种新的混合特征参数。实验结果表明,在纯净语音及噪声环境下,本文提出的使用高斯滤波器组的BFCC比使用叁角滤波器组的MFCC识别率高,而新的混合特征参数识别性能更优。(本文来源于《电声技术》期刊2019年01期）
何正祥,彭平安,廖智勤[7]（2018）在《基于梅尔倒谱系数的矿山复杂微震信号自动识别分类方法》一文中研究指出为了实现矿山复杂微震信号的自动高效识别与分类,保证后续微震分析的时效性和准确性,运用梅尔倒谱系数法,将原始的4种微震信号(岩体破裂、爆破振动、电磁干扰和钻机凿岩)转化为梅尔标度上的非线性频谱,再转换到倒谱域上,结合其在时域上的差分得到1组24维的特征参数向量,利用这些特征参数向量训练构建各类事件对应的混合高斯隐马尔可夫识别模型,进而实现对微震信号的自动识别分类。研究结果表明:运用基于梅尔倒谱系数的微震信号识别分类方法对矿山实际微震数据进行测试,微震事件的识别分类准确率达到92. 46%,具有较高的准确性,为实现微震监测系统的实时性分析提供了技术支持。(本文来源于《中国安全生产科学技术》期刊2018年12期）
周健,刘荣敏,窦云峰,路成,陶亮[8]（2018）在《采用L_(1/2)稀疏约束的梅尔倒谱系数语音重建方法》一文中研究指出提出了一种利用L_(1/2)稀疏约束从梅尔倒谱系数重建语音时域信号方法.从梅尔倒谱系数估计语音幅度谱是一个欠定问题,现有的方法均采用幅度谱最小均方误差估计或采用L_1正则化进行幅度谱的稀疏约束。相比于L_1正则化模型,L_(1/2)的稀疏约束特性更强,为此,本文在从梅尔倒谱系数估计语音幅度谱时引入L_(1/2)正则化约束,并利用求解的稀疏幅度谱估计相位谱,最后利用估计的频谱重建时域语音信号.实验结果表明,与幅度谱最小均方误差法相比,本文算法所估计出的语音信号具有更高的语音质量;在噪声环境下进行语音重建实验,与L_1正则化幅度谱估计方法相比,本文算法重建的语音质量更好,表现出更好抗噪性.(本文来源于《声学学报》期刊2018年06期）
肖寒春,郭俊峰,张丽[9]（2018）在《改进的梅尔倒谱系数在低空飞行器特征提取中的应用》一文中研究指出梅尔倒谱系数特征提取技术依据人耳的感知特性将声信号从线性频域转换到梅尔域,在语音识别中得到广泛应用。该文将梅尔倒谱系数技术用于小型低空飞行器的声信号特征提取中,并针对螺旋桨驱动类的小型低空飞行器具有稳定的强谐波特性,对梅尔倒谱系数特征提取中使用的梅尔滤波器进行改进,通过对此类谐波处的线性频谱与梅尔谱转换曲线的斜率进行投影替换,提高滤波器对该谐波处信号的感知敏感度。仿真结果表明,使用改进的梅尔倒谱系数特征提取方法对小型低空飞行器进行特征提取时,能够得到更低的等误识率,并且在低信噪比环境中,改进的梅尔倒谱系数特征提取方法具有更好的抗噪能力。(本文来源于《应用声学》期刊2018年06期）
秦天芸,王让定,裴安山[10]（2018）在《基于线性预测梅尔频率倒谱系数的设备来源识别》一文中研究指出由于手机录音设备的不断普及,各种功能强大的数字媒体编辑软件的出现,鉴别手机录音设备所录制的音频数据的真伪已经成为数字取证技术关注的热点问题。本文将线性预测系数(LPC)和梅尔频率倒谱系数(MFCC)特征进行结合,得到新的特征,即线性预测梅尔频率倒谱系数(LPMFCC)。然后将LPMFCC与能量特征结合得到的组合特征作为手机的指纹,选择支持向量机LIBSVM作为分类器,在两种语音库上进行手机设备来源识别实验。实验表明,LPMFCC特征作为手机指纹进行实验的识别率相对于LPC提升了12%,相对于MFCC提升了2%,并且LPMFCC与能量特征的组合特征相比于单一的LPMFCC特征对手机录音设备的来源更有区分性。(本文来源于《数据通信》期刊2018年04期）
倒谱系数论文开题报告范文
（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：
语音技术的发展及高保真设备的普及,使得回放语音给声纹认证系统的安全性带来了极大挑战;为此,本文提出一种基于带阻滤波倒谱系数的回放语音检测算法。该算法从特征层面和分类器层面对原始语音和回放语音进行了差异性分析,提出在时域使用带阻滤波的方法来保留高频和低频信号;然后将滤波后的信号进行倒谱特征提取并使用高斯混合模型进行分类;最后为验证本文提出的算法的有效性,我们将该算法在ASV spoof 2017数据库上进行了实验验证。结果表明,我们提出的算法等错误概率为9.75%,相较于ASV spoof 2017数据库两种基线系统,本算法在等错误率方面分别有60%和20%的提升。
（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。
倒谱系数论文参考文献
[1].李如玮,孙晓月,刘亚楠,李涛.基于深度学习的听觉倒谱系数语音增强算法[J].华中科技大学学报(自然科学版).2019
[2].胡君,王让定,严迪群,林朗.基于带阻滤波倒谱系数的回放语音检测算法[J].无线通信技术.2019
[3].王天锐,鲍骞月,秦品乐.基于梅尔倒谱系数、深层卷积和Bagging的环境音分类方法[J].计算机应用.2019
[4].林晓丹,邱应强.基于翻转梅尔频率倒谱系数的语音变调检测方法[J].计算机应用.2019
[5].张少康,田德艳.水下声目标的梅尔倒谱系数智能分类方法[J].应用声学.2019
[6].倪纪伟,彭妙颜.基于Fisher比的Bark倒谱系数混合特征参数提取方法[J].电声技术.2019
[7].何正祥,彭平安,廖智勤.基于梅尔倒谱系数的矿山复杂微震信号自动识别分类方法[J].中国安全生产科学技术.2018
[8].周健,刘荣敏,窦云峰,路成,陶亮.采用L_(1/2)稀疏约束的梅尔倒谱系数语音重建方法[J].声学学报.2018
[9].肖寒春,郭俊峰,张丽.改进的梅尔倒谱系数在低空飞行器特征提取中的应用[J].应用声学.2018
[10].秦天芸,王让定,裴安山.基于线性预测梅尔频率倒谱系数的设备来源识别[J].数据通信.2018