基于MATLAB的语音倒谱分析毕业设计Word文档下载推荐.docx

基于MATLAB的语音倒谱分析毕业设计Word文档下载推荐.docx

《基于MATLAB的语音倒谱分析毕业设计Word文档下载推荐.docx》由会员分享，可在线阅读，更多相关《基于MATLAB的语音倒谱分析毕业设计Word文档下载推荐.docx（8页珍藏版）》请在冰豆网上搜索。

要使机器听的懂人话，就要对语音信号进行处理。

随着信息技术的不断发展，尤其是网络技术的日益普及和完善，语音信号处理技术正发挥着越来越重要的作用。

为了寻找具有良好性能的特征及提取重要参数以提高识别系统性能，各种科学的算法应运而生，倒谱法作为信号处理的重要的方法之一，能够得到比较好的识别性能。

本文以MATLAB为平台，通过编程实现对语音信号的倒谱分析。

首先，本文简要说明了倒谱与语音的相关理论原理，包括倒谱原理和语音的组成元素，为之后的进一步研究奠定理论基础。

然后,对语音倒谱各个方面的应用进行了MATLAB编程，得到了语音基音检测和共振峰检测的实验仿真结果。

由于倒谱在语音信号处理中的重要地位，倒谱的应用也越来越广泛。

例如可应用于通信、建筑声学、地震分析、地质勘探和语音处理等领域。

尤其在语音处理方面，应用复倒谱算法可制成同态预测声码器系统，用于高度保密的通信。

1.2语音信号研究现状声学是物理学的一个分支学科，而语言声学又是声学的一个分支学科。

它主要的研究方向是人的发声器官机理，发声器官的类比线路和数学模型，听觉器官的特性（如听阈、掩蔽、临界带宽、听力损失等），听觉器官的数学模型，语音信号的物理特性（如频谱特性、声调特性、相关特性、概率分布等），语音的清晰度和可懂度等。

当今通信和广播的发展非常迅速，而语言通信和语言广播仍然是最重要的部分，语言声学则是这些技术科学的基础。

语言声学的发展和电子学、计算机科学有着非常密切的关系。

在它发展的过程中，有过几次飞跃。

第一次飞跃是1907年电子管的发明和1920年无线电广播的出现。

因为有了电子管放大器,很微弱的声音也可以放大，而且可以定量测量。

从而使电声学和语言声学的一些研究成果，扩展到通信和广播部门。

第二次飞跃应该是在20世纪70年代初,由于电子计算机和数字信号处理的发展，人们发现:

声音信号特别是语音信号，可以通过模数转换器（A/D）采样和量化，它们转换为数字信号后，能够送进计算机.这样就可以用数字计算方法，对语音信号进行处理和加工.。

例如频谱分析可以用傅里叶变换或快速傅里叶变换（FFT）实现，数字滤波器可以用差分方程实现.在这个基础上，逐渐形成了一门新学科———语音信号处理。

它的发展很快，在通信、自动控制等领域,解决了很多用传统方法难以解决的问题。

在信息科学中占有很重要的地位，其中语音识别的研究也开始了飞速的发展。

语音识别的研究工作可以追溯到20世纪50年代AT&

T贝尔实验室的Audry系统，它是第一个可以识别十个英文数字的语音识别系统。

但真正取得实质性进展，并将其作为一个重要的课题开展研究则是在60年代末70年代初。

这首先是因为计算机技术的发展为语音识别的实现提供了硬件和软件的可能，更重要的是语音信号线性预测编码（LPC）技术和动态时间规整（DTW）技术的提出，有效的解决了语音信号的特征提取和不等长匹配问题。

这一时期的语音识别主要基于模板匹配原理，研究的领域局限在特定人，小词汇表的孤立词识别，实现了基于线性预测倒谱和DTW技术的特定人孤立词语音识别系统；

同时提出了矢量量化（VQ）和隐马尔可夫模型（HMM）理论。

随着应用领域的扩大，小词汇表、特定人、孤立词等这些对语音识别的约束条件需要放宽，与此同时也带来了许多新的问题：

第一，词汇表的扩大使得模板的选取和建立发生困难；

第二，连续的语音中，各个音素、音节以及词之间没有明显的边界，各个发音单位存在受上下文强烈影响的协同发音（Co-articulation）现象；

第三，非特定人识别时，不同的人说相同的话相应的声学特征有很大的差异，即使相同的人在不同的时间、生理、心理状态下，说同样内容的话也会有很大的差异；

第四，识别的语音中有背景噪声或其他干扰。

因此原有的模板匹配方法已不再适用。

20世纪90年代前期，许多著名的大公司如IBM、苹果、AT&

T和NTT都对语音识别系统的实用化研究投以巨资。

语音识别技术有一个很好的评估机制，那就是识别的准确率，而这项指标在20世纪90年代中后期实验室研究中得到了不断的提高。

比较有代表性的系统有：

IBM公司推出的ViaVoice和DragonSytem公司的NaturallySpeaking，Nuance公司的NuanceVoicePlatform语音平台，Microoft的Whiper，Sun的VoiceTone等。

其中IBM公司于1997年开发出汉语ViaVoice语音识别系统，次年又开发出可以识别上海话、广东话和四川话等地方口音的语音识别系统ViaVoice’98。

它带有一个32000词的基本词汇表，可以扩展到65000词，还包括常用词条，具有“纠错机制”，其平均识别率可以达到95%。

该系统对新闻语音识别具有较高的精度，是目前具有代表性的汉语连续语音。

我国语音识别研究起步于五十年代，但近年来发展很快。

研究水平也从实验室逐步走向实用。

从1987年开始执行国家863计划后，国家863只能计算机专家组为语音识别技术研究专门立项，每两年滚动一次。

我国语音识别技术的研究水平已经基本上与国外同步，在汉语语音识别技术上还有自己的特点与优势，并达到国际先进水平。

中科院自动化所、声学所、清华大学、北京大学、哈尔滨工业大学、上海交通大学、中国科技大学、北京邮电大学、华中科技大学等科研机构都有实验室进行过语音识别方面的研究，其中具有代表性的研究单位为清华大学电子工程系与中科院自动化研究所模式识别国家重点实验室。

清华大学电子工程系语音技术与专用芯片设计课题组，研发的非特定人汉语数码串连续语音识别系统的识别精度，达到94.8%（不定长数字串）和96.8%（定长数字串）。

在有5%拒识率情况下，系统识别率可以达到96.9%（不定长数字串）和98.7%（定长数字串），这是目前国际最好的识别结果之一，其性能已经接近实用水平。

研发的五千词邮包对非特定人连续语音识别系统的识别率达到98.73%；

并且可以识别普通话与四川话两种语言，达到实用要求。

中科院自动化所及其所属模式科技公司2002年发布了他们共同推出的面向不同计算平台和应用的“天语”中文语音系列产品——PattekASR，结束了中文语音识别产品自1998年以来一直由国外公司垄断的历史。

1.3主要研究内容本文研究的是语音信号的倒谱分析，首先第一章的绪论部分，介绍了本文的研究目的与意义、语音信号的研究现状和本文的研究内容。

第二章介绍了倒谱的理论。

详细叙述了倒谱的定义以及计算方法，将倒谱分为实倒谱和复倒谱，并区分实倒谱与复倒谱之间的关系，由此奠定了倒谱分析研究的基础。

接着第三章语音的组成，分别利用倒谱的定义求解了声门激励信号与声道冲激响应序列这两个语音卷积分量的复倒谱，并得出相应的结论，接着对语音的发音类型作了理论阐述。

最后第四章具体研究了倒谱在语音信号处理中的简单应用，主要是语音信号识别的参数提取。

首先通过输入一段语音，并将其导入到MATLAB程序中进行语音的处理，完成语音在MATLAB中的倒谱实现，接着介绍倒谱在同态信号处理系统中的作用及同态信号处理系统的工作原理，然后是语音信号的主要应用，也是语音倒谱分析的重点内容，包括基音检测和共振峰检测两个方面，作为语音信号的重要参数，分别进行了详细的设计，为了清晰的描述程序的编写过程，对设计思路方法都进行了完备的阐述，并依据设计的算法画出了逻辑流程图，从而在MATLAB中完成程序的编写，最后通过对仿真结果进行了理论的分析，得出了语音的参数量值，完成了对语音信号倒谱分析的内容。

2倒谱的基本原理倒谱（CEP）参数是重要的语音特征参数，它是对语音进行同态处理的产物。

在提取由于载波传递的信号特性时，用Time-Ceptrum分析会非常有效，能把相关的特性给提取出来。

Ceptrum在语音识别特征参数提取中用到很多，这是因为语音本质的东西往往是声带的振动，然后经过声道和口腔的调制才产生我们可以听到或拾取的声音。

通过Ceptrum分析语音就能将这一本质性的特征参数提取出来。

而要熟练运用倒谱法，还是要从基本理论入手。

2.1复倒谱和倒谱的定义复倒谱的概念不是唯一的，一般有三种定义。

定义如下：

其中假设信号为某（n）☆复倒谱的Z变换定义☆复倒谱的傅里叶变换定义☆复倒谱的离散傅立叶变换定义复倒谱的定义可以用图2.1表示ZlnZ-1FTlnIFTDFTlnIDFT某（n）某（n）某（n）图2.1三种复倒谱定义的框图表示有了复倒谱的定义后，倒谱的概念就不会复杂了。

现在我们以复倒谱傅里叶变换定义为例来定义倒谱，将取对数有为复数，则只考虑其实部。

令FTln|.|IFT某（n）c（n）图2.2倒谱的实现框图某（n）的对数幅度谱的傅立叶逆变换，即图2.2中的c（n）称为“倒频谱”或“倒谱”c（n）就是要求取的语音信号倒谱系数。

2.2复倒谱的计算方法在复倒谱分析中，Z变换后是复数，取对数时是复对数运算，此时存在相位多值性问题——相位卷绕。

取信号为例进行说明求傅里叶变换求复对数由以上倒谱计算的流程可以得到其倒谱的幅度：

相位：

由上式虚部可知相位有多值性相位可以写成:

其中为整数，所以相位多值，这种现象被称为相位卷绕。

避免相位卷绕的方法主要有：

微分法、最小相位信号法。

（1）微分法由傅里叶变换的微分特性改写：

DFT乘nDFT÷

IDFT除n某（n）n某（n）n图2.3利用傅立叶变换的微分特性求复倒谱的框图避免了求复对数的问题，但其缺点是会产生严重的频谱混叠。

原因：

频谱中的高频分量比有所增加，所以仍使用原来的取样率将引起混叠；

混叠后求出的就不是的复倒谱了。

（2）最小相位信号法1）这是由倒谱c（n）求复倒谱的方法。

2）最小相位信号法是由最小相位序列的复倒谱性质和Hilbert变换的性质推出来的。

3）适用条件：

最小相位信号序列4）最小相位信号序列：

信号的零极点全部在z平面单位圆内。

其复倒谱序列是因果序列。

进一步引入辅助因子则：

图2.4因果序列的分解与恢复结论：

1.一个因果序列可由其偶对称分量来恢复；

2.由倒谱的定义可知，的偶对称分量就是DFT复对数ln（·

）IDFT某（n）（实部）（虚部）图2.5最小相位法求复倒谱2.3复倒谱与倒谱的关系某（n）^某（n）FTln|.|IFTFTlnIFTc（n）某（n）图2.6复倒谱与倒谱关系框图1）“倒频谱”或称“倒频”的量纲是时间，记作“quefrency”。

（由“frequency”转变来的新词）2）复倒谱涉及的是复对数运算，而倒谱是实数的对数运算。

3）倒频谱不含信号的相位信息。

因为人的听觉对语音的感觉特征主要包含在幅度信息中，而相位信息不起作用。

4）倒谱经过正逆变换后，一般不能还原成自身，计算倒谱的过程中，丢失了相位信息。

5）已知一个实数序列某（n）的复倒谱，可以由其求出倒谱c（n）。

任何一个序列可写成偶对称序列和奇对称序列之和。

3语音信号的组成分析语音是可以看作由两个卷积分量组成，即声门激励信号和声道冲激响应序列。

不同的声门激励模型可产生不同的典型语音，如浊音、清音。

语音模型是由声门激励模型和声道模型卷积而成的，声道模型在频域表征语音频谱的包络结构，共振峰结构包含在声道模型中。

经过复倒谱分析，原本呈现卷积关系的声门激励模型和声道模型在倒频域呈加性关系。

3.1语音的两个分量语音可以看成是由声门激励信号和声道冲激响应序列卷积而成的如图3.1，所以要想对语音信号进行处理，首先要了解语音分量的倒谱