导读:本文包含了倒谱特征论文开题报告文献综述、选题提纲参考文献，主要关键词:特征,谱系,擦音,同态,基音,语音,科研。
倒谱特征论文文献综述写法
张翠玲,丁盼[1]（2019）在《擦音LPC倒谱特征在法庭说话人识别中的应用》一文中研究指出为了探究擦音在法庭说话人识别中的应用价值,以汉语普通话擦音/s/为代表,对其LPC倒谱特征的说话人识别性能进行了分析测试。基于90位成年男性的两次非同时语音样本数据库,采用似然比框架的法庭证据强度评估方法,对/s/的LPC倒谱特征在不同语音信号频率范围和不同数据库规模条件下进行了说话人识别性能的测试评价。研究结果表明,擦音的LPC倒谱特征具有一定的话者区分价值,但是作为单一识别参数使用价值有限,应该与其他参数特征结合使用,以提高法庭说话人识别的准确性和可靠性。(本文来源于《中国刑警学院学报》期刊2019年05期）
白燕燕,胡晓霞[2]（2019）在《基于基音周期和共振峰频率检测的倒谱特征研究》一文中研究指出本文利用倒谱特征进行基音周期检测和共振峰参数的提取,实验证明效果显着。(本文来源于《电子测试》期刊2019年17期）
包永强,汪木兰,梁瑞宇,王青云,宋宇飞[3]（2019）在《基于分数倒谱特征的应用型高校教师科研能力评价研究》一文中研究指出为有效评价应用型高校教师科研能力,针对应用型高校科研特点,建立了一种包括科研申报、科研成果和指导学生科技创新的应用型高校教师科研能力评价指标,提出了一种教师科研能力分数域倒谱FC-ACTSRA特征。对二级单位1 309名教师近叁年科研数据进行分析发现,本方法提升了GA-SVM模型性能,当分数阶因子α=0.4时,正确识别率可达96.76%。可作为教师科研能力年度考核依据。(本文来源于《电子器件》期刊2019年02期）
林朗,王让定,严迪群,李璨[4]（2018）在《基于修正倒谱特征的回放语音检测算法》一文中研究指出随着语音技术的发展,以回放语音为代表的各种仿冒语音给声纹认证系统及音频取证技术带来了极大挑战。针对回放语音对声纹认证系统的攻击问题,提出一种基于修正倒谱特征的检测算法。首先,采用变异系数来分析原始语音和回放语音在频域上的差异;然后,有针对性地将提取梅尔倒谱系数(MFCC)过程中的Mel滤波器组换成由linear滤波器和逆Mel滤波器组合的新滤波器组,进而得到基于新滤波器组的修正倒谱特征;最后,使用高斯混合模型(GMM)作为分类器进行分类判别。实验结果表明,修正的倒谱特征能够有效地检测回放语音,其等错误率约为3.45%。(本文来源于《计算机应用》期刊2018年06期）
朱知萌,郭育,王冠,章佳荣[5]（2017）在《水下蛙人呼吸声Mel倒谱特征的实验研究》一文中研究指出为提高水下蛙人呼吸声识别的准确度,提出一种基于Mel频率倒谱系数(Mel Frequency Cepstrum Coefficient,MFCC)的蛙人呼吸声信号特征匹配方法。计算呼吸声信号之间、信号与环境噪声及舰船辐射噪声的MFCC夹角和MFCC距离并进行匹配比较,以进行分类识别。某湖试验数据的处理结果表明:蛙人呼吸声与舰船辐射噪声及环境噪声的MFCC参数有着明显的差异,能够对蛙人呼吸声信号与干扰噪声进行区分,证明了基于MFCC特征算法的有效性,对发展港口、码头等近海海域附近的水下蛙人探测声呐和预警系统具有实际意义。(本文来源于《声学技术》期刊2017年03期）
赵梦娜[6]（2017）在《基于倒谱特征的说话人识别算法研究》一文中研究指出语言是人类信息交互最基本的方式,而随着信息科技的发展,人机交互成为科技提升中新的迫切需求。说话人识别技术凭快捷、有效和成本低等优势,成为被广泛接受的重要生物认证技术之一。该技术在信息认证、司法侦查、电子商务、证件防伪等方面得到广泛应用。说话人识别也称声纹识别,是语音信号处理技术中的重要领域之一。虽然说话人识别技术在理论研究上已获取一定成果,但高噪声、高失真的实际环境会致使说话人识别系统的识别性能急剧下降。语音特征参数提取是说话人识别算法中的最关键的一部分。因此,当前的研究热点即为如何在高噪声环境下提取识别性能和区分性能优越的语音特征。本文在现有说话人识别算法的基础上,对信号特征提取的特征提取与加权、滤波器设计等方面存在的问题进行深入研究,提出解决方案。1.针对传统梅尔频谱存在高方差与时延性,Mel滤波器组模拟人耳听觉特性能力不佳,MFCC抗噪性能不良,及梅尔频谱特征参数仅表达语音的静态特性等问题,提出基于多窗谱估计和Gammatone滤波器组的加权混合特征提取算法,在降低频谱的方差与降噪的同时,最大程度地保留MFCC的说话人个性特征信息,从而提高说话人识别算法的识别性能。2.针对传统Mel滤波器组低频紧凑、高频稀疏的分布与正常音有效信息频谱分布特点不符,且固定的滤波器数目不适应变化的语音信号等问题,设计基于F比和Gammatone滤波器的自适应改进滤波器组,提出基于自适应改进滤波器组的说话人识别算法。(本文来源于《浙江工业大学》期刊2017-03-27）
祝进云,张明[7]（2016）在《基于Mel倒谱特征和RBF神经网络的语音识别改进》一文中研究指出在科技快速发展的今天,人工智能技术日益成熟,包括机器人、语音识别、图像识别以及大师系统的等技术也在被不断地尝试使用在人们生活的各个方面。语音识别技术在现如今不管是PC端还是移动端都有很多应用,从苹果公司采用的Siri语音助手到今天微软的小娜语音助手,越来越证实语音识别技术在将来有很大的发展空间。基于Mel倒谱特征和RBF神经网络的语音识别改进算法结果表明,与现有的语音识别技术对比时,语音识别率有较大的提高,能够达到语音识别的改进的预期效果。(本文来源于《现代计算机(专业版)》期刊2016年17期）
朱健楠,杨益新[8]（2015）在《Gammatone倒谱特征提取的改进方法》一文中研究指出近年来,研究将人耳听觉机理应用在声学目标,尤其是水下目标识别中以提高其准确率。Gammatone滤波器能够很好地仿真基底膜的频率选择特性和频谱分析特性。本文针对Gammatone滤波器倒谱系数提取过程,在分析原特征提取算法基础上提出改进算法,即用小波包分解替代傅里叶变换,进行全频带多层次频带划分精细的正交分解;同时调整预加重系数,使信号的频谱变得更平坦。为验证改进方法的有效性,设计一层BP神经网络分类器进行分类实验,根据分类结果可知,改进方法正确率有较大提升。(本文来源于《中国声学学会第十一届青年学术会议会议论文集》期刊2015-10-15）
王民,孙广,沈利荣,刘利[9]（2014）在《基于对数能量倒谱特征的端点检测算法》一文中研究指出端点检测技术是语音识别的关键技术之一,为了克服传统倒谱距离语音端点检测算法在低信噪比下检测效果的不理想,将对数能量(LE)特征和倒谱(C)特征相结合,提出了一种新的对数能量倒谱特征(LEC),采用模糊C均值聚类和贝叶斯信息准则(BIC)方法估计特征门限,得出了正确的语音端点判断,在叁种典型噪声下,对信噪比从-5 dB到15 dB的带噪声语音进行仿真,结果表明LEC法的检测错误率仅为20.25%,明显低于倒谱法和对数能量法,能有效地确定语音的端点并改善语音识别效果。(本文来源于《计算机工程与应用》期刊2014年16期）
陈振锋,吴蔚澜,刘加,夏善红[10]（2014）在《基于Mel倒谱特征顺序统计滤波的语音端点检测算法》一文中研究指出为提高噪声环境下语音端点检测的准确性,提出一种基于Mel倒谱距离顺序统计滤波的端点检测算法.该算法首先提取每帧语音信号的Mel频率倒谱系数,以前16帧估算背景噪声,计算每帧语音与背景噪声的倒谱距离;然后将当前帧前后相继若干帧的倒谱距离,经过一组顺序统计滤波器得到加权倒谱距离;最后根据各帧加权倒谱距离对输入语音进行分类.在TIMIT语音库上的实验结果表明,该方法在白噪声、粉噪声、汽车噪声和战斗机噪声等噪声环境下,均能得到理想的端点检测结果,且在低信噪比时依然有效.(本文来源于《中国科学院大学学报》期刊2014年04期）
倒谱特征论文开题报告范文
（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：
本文利用倒谱特征进行基音周期检测和共振峰参数的提取,实验证明效果显着。
（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。
倒谱特征论文参考文献
[1].张翠玲,丁盼.擦音LPC倒谱特征在法庭说话人识别中的应用[J].中国刑警学院学报.2019
[2].白燕燕,胡晓霞.基于基音周期和共振峰频率检测的倒谱特征研究[J].电子测试.2019
[3].包永强,汪木兰,梁瑞宇,王青云,宋宇飞.基于分数倒谱特征的应用型高校教师科研能力评价研究[J].电子器件.2019
[4].林朗,王让定,严迪群,李璨.基于修正倒谱特征的回放语音检测算法[J].计算机应用.2018
[5].朱知萌,郭育,王冠,章佳荣.水下蛙人呼吸声Mel倒谱特征的实验研究[J].声学技术.2017
[6].赵梦娜.基于倒谱特征的说话人识别算法研究[D].浙江工业大学.2017
[7].祝进云,张明.基于Mel倒谱特征和RBF神经网络的语音识别改进[J].现代计算机(专业版).2016
[8].朱健楠,杨益新.Gammatone倒谱特征提取的改进方法[C].中国声学学会第十一届青年学术会议会议论文集.2015
[9].王民,孙广,沈利荣,刘利.基于对数能量倒谱特征的端点检测算法[J].计算机工程与应用.2014
[10].陈振锋,吴蔚澜,刘加,夏善红.基于Mel倒谱特征顺序统计滤波的语音端点检测算法[J].中国科学院大学学报.2014