毕业论文--基于经验模态分解的语音信号检测方法研究

《毕业论文--基于经验模态分解的语音信号检测方法研究》由会员上传分享，免费在线阅读，更多相关内容在学术论文-天天文库。

1、湖南大学毕业设计（论文）第II页HUNANUNIVERSITY毕业设计(论文)设计论文题目：基于经验模态分解的语音信号检测方法研究学生姓名：学生学号：专业班级：电子信息工程1101班学院名称：电气与信息工程学院指导老师：学院院长：2015年4月30日湖南大学毕业设计（论文）第32页基于经验模态分解的语音信号检测方法研究摘要随着语音信号应用领域的不断拓展,语音信号处理技术也在不断地提高。尤其是在针对噪声方面。环境噪声是十分复杂的，这也对语音信号的识别率有了更高的要求。因此，在目前能否在低信噪比的前提下有效地检测出语音信号成了重要的议题。本文研究了一种基于信号自身的特征进行分解方法—经验模态分解(

2、EMD)，并分析了信号在不同湖南大学毕业设计（论文）第32页信噪比环境下的检测效果，得出最优方案，对进一步的语音信号识别分析也有着十分重要的意义。论文的主要工作有：1、介绍了语音信号处理的基本知识，对语音信号检测的现状进行简要了解，提出了其方法的不足，进而引入经验模态分解并进行深入研究，将其算法应用于语音信号，计算其瞬时频率，并将其分解成一系列特征模态函数，揭示了EMD算法的滤波特性、自适应性、多分辨性和局部特性。2、经经验模态分解与希尔伯特变换相结合，提出希尔伯特-黄变换(Hilbert-HuangTransform,HHT)，用来解决复杂噪声条件下的语音信号端点检测问题。该方法将含噪语音信

3、号进行经验模态分解，筛选部分特征模态函数，对其进行希尔伯特变换获得信号的希尔伯特能量谱，平滑处理后与谱熵法处理过的信号进行比较。实验结果显示该方法明显改进了语音信号检测的效率，控制了误码率。关键词：语音端点检测，经验模态分解，希尔伯特-黄变换湖南大学毕业设计（论文）第32页ResearchonthedetectionmethodofspeechsignalbasedonEmpiricalmodedecompositionAbstractAstheapplicationsofspeechsignaliscontinuingtoexpand,speechsignalprocessingtechno

4、logyisconstantlyimproving.Especiallyindealingwiththenoise.ambientnoiseisverycomplex,whichaskforhigherstandardofrecognitionrateofspeechsignal.Therefore,whetherwecandetectspeechsignalatlowSNRenvironmenteffectivelyhasbecomeanimportantissue.Inthispaper,westudiedadecomposition methodbasedonsignalcharacte

5、ristics-empiricalmodedecomposition(EMD),andanalyzedthesignals’sdetectionresultsindifferentSNRenvironment,andarrivedataoptimalsolution,whichisalsosignificantforfurtheranalysisofthespeechsignalrecognition.Themainworksare:1,describesthebasicsofspeechsignalprocessing,understandstatusquoofvoicedetectiona

6、ndproposethelackofthismethod,andthenleadintotheempiricalmodedecompositionandpuitintostudy,thealgorithmisappliedtospeechsignaltocalculatetheinstantaneousfrequencyanddecomposeitintoaseriesofintrinsicmodefunction,revealingthefiltercharacteristicsandself-adaptabilityofthemethodEMD.2,theHilbert-HuangTran

7、sform(HHT)isproposedbycombiningthehilberttransformandempiricalmodedecompositiontosolvetheproblemof endpointdetectioninthespeechsignalundercomplexnoiseconditions.Thismethoddecomposesthespeechsignalcont