导读:本文包含了声纹分析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:特征,小波,语音,人工智能,音强,象声,鉴定。
声纹分析论文文献综述
胡冰舟,刘旭[1]（2019）在《声纹识别专利技术分析》一文中研究指出声纹识别(Voiceprint Recognition,VPR),就是把未知说话人的语音数据与已知的说话人的语音数据(样本)进行匹配,通过一定的方法得到匹配的结果,以判定"两个人"实际上是否为同一个人。本文利用专利文献库,统计和分析国内外有关声纹识别技术的专利申请,梳理了声纹识别的发展脉络,对主要技术分支的申请量进行统计,同时对声纹识别技术的核心专利和重要申请人进行分析。(本文来源于《中国科技信息》期刊2019年17期）
孔岩峰,贾连兴,张江[2]（2019）在《基于小波分析和小生境遗传神经网络算法的声纹识别研究》一文中研究指出针对目前声纹识别中常用的模式识别算法(LPCC、MFCC等)的不足,为了提高声纹识别系统性能,本研究提出将小波分析和BP神经网络—小生境遗传优化算法(BP-GA)用于声纹识别中。该算法首先采用小波分析对语音信号提取信号时域频域特征变量,然后通过小生境遗传算法克服传统多层人工神经网络在训练时存在易陷入局部极小值的问题,最后采用小波特征变量做为优化后的神经网络的训练数据得到最终声纹识别算法。实验结果表明采用小波分析和BP神经网络—小生境遗传算法的声纹识别性能相对传统识别算法具有识别速度快、识别率高、错误率低、能够自动纠错,对于不同的发音人具有鲁棒性等优点。(本文来源于《第二十届中国系统仿真技术及其应用学术年会论文集（20th CCSSTA 2019）》期刊2019-08-20）
路红坤[3]（2019）在《基于声纹的大熊猫个体识别系统分析与研究》一文中研究指出大熊猫是我国国家一级保护动物,非常珍贵,我国专门开设多个大熊猫栖息基地和研究中心用以加强对大熊猫的研究和保护。目前野外大熊猫的驯化保护正处于关键阶段,成都大熊猫繁育研究基地需要一套非接触式的个体识别方法,作为其它常规识别方法的拓展和补充,以更好地对大熊猫进行个体识别和管理保护。声纹特征提取是基于声音的大熊猫个体识别系统的关键环节,对系统功能实现和性能提升意义重大。通过对各种常见的大熊猫个体分类方法进行综合比较,结合声纹识别的技术特性和广泛应用,本论文基于大熊猫声纹,进行其个体识别系统的分析与探讨,主要研究内容如下:(1)介绍了大熊猫个体识别的意义与价值,以及声纹识别技术的国内外研究现状,并对大熊猫个体识别系统进行了基础理论介绍和相关技术分析,对系统总体框架和流程进行简要说明,研究了系统性能评价的标准和识别准确率计算方法。(2)对短时平均能量特征、梅尔倒谱系数MFCC(Mel-Frequency Cepstral Coefficients)以及线性预测系数LPC(linear prediction coefficient)进行介绍和分析,然后进一步研究了MFCC与其一二阶差分及LPC的组合特征,并通过具体实验,分析和验证了识别效果的具体优化和提升情况。(3)提出了一种基于复合梅尔倒谱系数的大熊猫声纹特征研究方法。结合大熊猫声音特点及频率分布,针对MFCC中mel滤波器组特性及在低高频分辨率上的表现,对MFCC中的mel滤波器组进行了补充和优化,提出复合梅尔频率倒谱系数CMFCC(Mel composite frequency cepstrum coefficient)特征,提升了系统提取特征对大熊猫声音的高频分辨率,通过具体实验,验证了对系统识别效果的提升情况,符合理论预期。(4)对大熊猫个体识别系统进行设计和实现。首先结合需求背景和需求描述对系统进行需求分析,接着对系统总体结构和主要功能模块尽心设计,然后进行个体识别系统的实现,重点介绍了本课题下对大熊猫声音数据的收集过程和处理方法,并以表格形式进行展示,然后对系统流程和主要功能进行分析与实现,最后进行系统测试和整体实验分析。(本文来源于《电子科技大学》期刊2019-05-08）
王春兰[4]（2018）在《音强在声纹鉴定中的作用分析》一文中研究指出音强在声纹鉴定中往往被忽略。实验采集了男女各一百人的语音样本,首先从音强随着频率、时间等的变化规律进行定性分析,接着测量各人发音时音强的数值进行定量分析,通过分析发现,语音的音强分布状态虽然不具有不同话者间本质差异和同一话者自身同一性,但是,音强的变化规律的确与频率、时间、共振峰有关,所以音强可以在特定情况下作为声纹鉴定的辅助性参数来使用。(本文来源于《科技创新与应用》期刊2018年36期）
蒋宗琎[5]（2018）在《智能声纹识别系统与技术分析》一文中研究指出在传统的两种依靠生物特征进行识别的技术(指纹与掌纹)之后,声纹,作为一种新的生物特征识别技术,逐渐出现并且应用于许多实际领域。声纹的识别与传统的生物识别比起来,具有容易获取、计算简便、耗资低等优势。声纹也正因如此,吸引着大批专家与相关的技术人员进行开发研究。文章主要结合了人工智能的方法 ,介绍了智能声纹识别系统,并对声纹识别过程中涉及的特征提取、模式识别进行了技术分析,并阐述了人工智能在这两个关键过程中的应用,最后指出了如何将人工智能嵌入声纹识别技术之中。(本文来源于《科技传播》期刊2018年23期）
陈建林[6]（2018）在《基于波形分析的自动声纹识别技术研究》一文中研究指出随着信息技术的发展,我们进入了物联网时代,越来越多的物联网设备进入了我们的生活,.智能家居是物联网技术的一个重要应用。语音是智能家居等场景下高效、便捷的交互方式,语音中不仅包含了语义信息而且蕴含了丰富的声纹特征。过去的声纹识别只提取声纹特征而不识别语义内容,语音识别只对语义进行分析,没有对语音信号中包含的丰富信息进行充分的挖掘。本文回顾了前人在声纹识别技术方面的工作,从语音信号采集、预处理、特征参数提取到匹配与识别,提出了一种基于波形分析的自动声纹识别方法,利用小波变换的时频特性,将一维的语音信号变换成二维的语音图像,将人脸识别的方法迁移至声纹识别,利用图像处理的方法处理语音图像,从时域和频域同时对语音信号进行分析,提取声纹和语义信息,实现语义和声纹双重识别。本文提出的小波降噪方法在人脸图像上可在去噪的同时保留信号细节,同时本文将语音信号降噪与声纹特征提取的过程结合起来,通过一次小波变换,完成降噪和提取特征参数两个步骤的工作,减少系统资源的开销,实现更高效的声纹识别过程,利用本文提出的特征提取方法,配合深度神经网络,进行声纹识别、语音识别以及声纹、语义双重识别均可达到95%以上的识别率。(本文来源于《广州大学》期刊2018-05-01）
杨璐铭,蓝常山,张学海[7]（2018）在《声纹鉴定中语音样本采集的问题分析》一文中研究指出本文通过总结目前声纹鉴定工作中办案单位采集语音样本存在的问题,阐述了采集语音样本的一些常规做法,从而提高语音样本的质量乃至检验鉴定的效率和结论的可靠性。(本文来源于《广东公安科技》期刊2018年01期）
程翠[8]（2018）在《基于声纹多谐波分析的无人机检测与定位研究》一文中研究指出近年来,无人机呈现井喷式发展,越来越多的无人机广泛应用于国防、航拍、农业等诸多领域。目前缺乏对无人机的有效管制,世界各地的无人机的“黑飞”、“滥飞”事件频发,严重危害个人隐私安全与国家社会安全。因此,将基于麦克风阵列的声音检测和定位方法应用到安防系统中,对无人机进行实时的检测与定位,可以有效监测无人机,对国家和社会民生安全具有重要的意义。本文以无人机声音为目标声源,研究了基于声纹多谐波分析的无人机检测与定位,具体工作包括:一、提出了一种基于无人机声纹特征的无人机检测方法。在研究无人机飞行时声音频谱特征的基础上,选取 MFCC(Mel-scale Frequency Cepstral Coefficients)特征向量、声纹能量特征向量,并将两者进行结合,利用SVM(Support Vector Machine)进行二分类:无人机声音和其他声音,从而实现无人机检测。实验结果表明,该方法具有较好的检测结果,能在市区空旷区80m以内的检测距离达到80%以上的检测率,虚警在15%以内。二、提出了一种基于时延估计的定位方法。由广义互相关(GeneralizedCross-Correlation)算法,选取最优权函数PHAT(PhaseTransform)求得时延。利用2个L型阵列,结合求出的时延,从而实现对无人机的叁维定位。叁、建立了基于声音阵列的无人机检测与定位的软硬件实验平台,平台包括麦克风阵列、数据采集传输模块以及基于LabVIEW的软件算法模块。实验结果表明,已经实现了对无人机的实时检测和定位。(本文来源于《浙江大学》期刊2018-03-01）
李韵[9]（2016）在《声纹识别系统中特征参数提取方法的对比分析研究》一文中研究指出声纹识别同虹膜识别、人脸识别、指纹识别一样属于生物识别,而且都是利用个人的生物特性来进行身份识别的。因为声纹识别的经济性和便利性,其发展前景非常广阔。声纹识别区别于语音识别,前者是通过语音的个性特征来识别人的身份,后者却是识别说话人语音的内容。由于每个人说话的语音特征都是不同的、独一无二的,而且极难被人模仿,所以采用声纹对说话人进行身份识别要较其他生物识别更加准确。声纹识别的过程就是从说话人的语音信号中选择出一段语音,然后从这段语音中提取出能代表该个体的个性特征的参数,进而达到确认说话人身份的目的。本文主要是对与文本无关的声纹识别系统的研究,与文本无关是指在进行语音提取时,说话人不需要输入固定的语音样本,可录入任意一句语音。本文依据声纹识别系统的研究现况,着重研究了该系统中的特征参数的提取方法。现在比较常用的声道特征参数包含线性预测系数(LPC)、线性预测倒谱系数(LPCC)和Mel频率倒谱系数(MFCC),对MFCC参数进行了一阶差分得到了MFCC_D参数,实验表明该参数达到的识别率优于MFCC参数。在对Mel滤波器组进行了研究发现其在高频处的计算精度较低,所以提出了一种基于混合Mel滤波器组的MFCC参数的提取方法,即将翻转后的Mel滤波器组与Mel滤波器组进行组合得到一个即使是在高频处也能有良好计算精度的混合滤波器组,实验证明其识别率得到了提高。我们知道语音信号是由声道响应和声门特性组成的,而MFCC参数能良好的反映声道特性,基音周期能良好的反映声门特性,故提出了一种能良好反映声道特性和声门特性的特征参数,即基于基音周期的MFCC参数。其中基音周期的提取方法有多种,包括短时自相关函数法(ACF)、短时平均幅度差函数法(AMDF),并且根据ACF和AMDF提出了一种加权的ACF法,即将短时平均幅度差函数先倒数后平方,然后加权到短时自相关函数上,加权实际上是将二者相乘起来。对这几种算法进行研究,得出基音周期。不同算法提取出的基音周期有所差别,与MFCC参数结合后的参数就会不同。本文对语音的预处理和声纹识别中的识别方法进行了一些研究。在进行预处理时包括采样与量化、预加重、加窗与分帧和端点检测。其中端点检测在预处理期间是比较重要的,它是对语音信号起始点的判断,区分语音信号和非语音信号,有效的端点检测技术不仅能够快速检测出信号起始点,大大节约了检测时间,还能够排除其他无关声段,提高了识别性能。本文采用的是双门限端点检测法,即把短时能量法和短时平均过零率法两者进行结合,使其能更好的判断出信号的起始点。在识别方法上采取了高斯混合模型,该模型使用于与文本无关的声纹识别系统,介绍了GMM模型参数的估计、GMM模型参数初始化和GMM模型训练流程。在参数估计时,采用的是EM算法;参数初始化阶段采用的是K-means算法。本文主要是对特征参数提取的方法进行研究,使用高斯混合模型通过实验的方式对特征参数提取的不同算法进行分析比较,实验表明新提出的特征参数提取方法在识别率上有不同程度的提高,达到了提高声纹识别系统的识别率的目的。本文还未过多的涉及到噪声环境背景下的声纹识别技术,在未来的研究中会进一步探索声纹识别系统中的去噪处理。(本文来源于《成都理工大学》期刊2016-04-01）
张红兵[10]（2014）在《儿化音在声纹鉴定中的特征分析》一文中研究指出汉语的"儿化音"属于字音韵母因卷舌动作而发生的音变现象。在实际案件中由于话者情绪状态以及语体的变化,会导致检材和样本中同一音节儿化程度不同,体现为儿化音增多、减少甚至消失的差异。本文利用语音分析系统提取儿化音的声学参数和相关图谱,通过特征比对和数据统计的方法,实现话者发音儿化变异规律的分析,从而为声纹鉴定工作提供借鉴。(本文来源于《中国刑警学院学报》期刊2014年04期）
声纹分析论文开题报告
（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：
针对目前声纹识别中常用的模式识别算法(LPCC、MFCC等)的不足,为了提高声纹识别系统性能,本研究提出将小波分析和BP神经网络—小生境遗传优化算法(BP-GA)用于声纹识别中。该算法首先采用小波分析对语音信号提取信号时域频域特征变量,然后通过小生境遗传算法克服传统多层人工神经网络在训练时存在易陷入局部极小值的问题,最后采用小波特征变量做为优化后的神经网络的训练数据得到最终声纹识别算法。实验结果表明采用小波分析和BP神经网络—小生境遗传算法的声纹识别性能相对传统识别算法具有识别速度快、识别率高、错误率低、能够自动纠错,对于不同的发音人具有鲁棒性等优点。
（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。
声纹分析论文参考文献
[1].胡冰舟,刘旭.声纹识别专利技术分析[J].中国科技信息.2019
[2].孔岩峰,贾连兴,张江.基于小波分析和小生境遗传神经网络算法的声纹识别研究[C].第二十届中国系统仿真技术及其应用学术年会论文集（20thCCSSTA2019）.2019
[3].路红坤.基于声纹的大熊猫个体识别系统分析与研究[D].电子科技大学.2019
[4].王春兰.音强在声纹鉴定中的作用分析[J].科技创新与应用.2018
[5].蒋宗琎.智能声纹识别系统与技术分析[J].科技传播.2018
[6].陈建林.基于波形分析的自动声纹识别技术研究[D].广州大学.2018
[7].杨璐铭,蓝常山,张学海.声纹鉴定中语音样本采集的问题分析[J].广东公安科技.2018
[8].程翠.基于声纹多谐波分析的无人机检测与定位研究[D].浙江大学.2018
[9].李韵.声纹识别系统中特征参数提取方法的对比分析研究[D].成都理工大学.2016
[10].张红兵.儿化音在声纹鉴定中的特征分析[J].中国刑警学院学报.2014
论文知识图
