基于MATLAB的小波在语音信号中的应用Word下载.docx
《基于MATLAB的小波在语音信号中的应用Word下载.docx》由会员分享，可在线阅读，更多相关《基于MATLAB的小波在语音信号中的应用Word下载.docx（13页珍藏版）》请在冰豆网上搜索。
1.2研究背景
MATLAB软件是美国的MathWorks公司出品和负责研制的商业数学软件，MATLAB软件主要是用于算法开发以及数据可视化与数据分析和数值计算的相关高级技术的计算语言和交互式环境下处理和分析语音以及图像的，MATLAB软件主要包括MATLAB和SIMULINK两大结构部分。
MATLAB是矩阵实验室的简称，MATLAB和Mathematica以及Maple并称为国际上的三大数学处理软件。
MATLAB在数学类的科技应用软件中的相关在数值计算方面的功能将是首屈一指的。
MATLAB功能主要是可以进行相关的矩阵运算以及绘制函数和数据来实现相关的算法和创建用户界面以及连接其他编程语言的相关程序等，MATLAB软件将主要应用于工程计算和控制设计以及信号处理与信号的通讯和图像处理还有将是信号检测以及金融建模设计与分析等领域。
我在设计中将会详细地阐述如何使用MATLAB的相关小波分析工具箱进行语音信号的相关去噪处理的实用技术和实用的方法。
与其它计算机语言相比，MATLAB具有以下特点：
（1）MATLAB是一种解释性语言；
（2）变量的多功能性；
（3）运算符号的多功能性；
（4）语言规则与笔算式相似；
（5）强大而简易的作图功能；
（6）智能化程度高；
（7）功能丰富，可扩展性强。
2．基于MATLAB的小波变换处理过程
2.1小波的定义
小波也就是指的是小区域的波，是一种比较特殊的长度有限以及平均值为0的特有波形。
小波函数的定义为：
我们需要先设
为一平方的可积函数，也就是即
，若此函数的傅里叶变换满足条件公式：
则可以称
为一个比较基本的小波母函数，我们也可以称上式为小波函数的相关可容许的条件。
小波分析是近十几年来发展起来的一种比较新颖的有关时频的分析方法。
小波分析典型的应用主要包括齿轮变速控制和起重机的非正常噪声，还有就是物理中的相关的一些间断现象等。
而小波的频域分析的主要着眼点主要是在于可以区分有关的突发信号以及和相关的稳定信号以及定量分析其能量，小波分析的典型应用主要是包括细胞膜的相关识别，有关金属表面的探伤和金融学中快变量的相关检测，INTERNET的相关流量控制等。
我们可以从以上的小波信号分析的典型应用中就可以看出，时频分析的应用将是非常广泛，涵盖了物理学和工程技术以及生物科学与经济学等众多领域，而且我们知道在很多情况下我们仅仅分析其相关的时域或频域的性质还是不够的，比如我们在电力的相关监测系统中，即要监控相关稳定信号的一些成分，又要准确地定位相关的一些故障信号。
这就需要我们引入新的相关的一些时频分析的方法，小波分析也正是由于这类实际的需求发展起来的。
2.2小波变换处理的概述
基于MATLAB的小波在语音信号的变换识别与语音合成技术是一种关于人机语言通信技术，基于MATLAB的小波在语音信号的运用主要是属于计算机智能接口技术的范畴。
计算机的相关智能接口技术主要是包括计算机的相关听觉和视觉。
计算机的多媒体技术也主要是利用计算机基于MATLAB的小波在语音信号处理和图像的相关处理的能力为我们提供一种更加方便和便捷的人机界面。
使人与计算机之间的通信以及人与人之间的通信更加方便和快速。
基于MATLAB的小波在语音识别和变换技术的应用，本质上就是将MATLAB的小波能将人和动物等的相关语音转化为计算机的相关的语言代码。
我们知道语音主要是我们的相关语言信息的相关载体，语音识别技术的基本任务主要是将输入的话音信息转化为相应的一些语言代码。
就这样我们不仅可以在存储或传输过程将这样的语言代码的状态数码的相关比特率比起存储原来的相关语音信号来大幅度地不断降低，这还在于它把一种连续性的小波在语音信号中主要变成一种具有相关的有限符号集中的符号，这样的符号容易被计算机的一些相关的专用信息处理单元有效地理解其含义，而且便于计算机相关系统与人进行实际的交流，因而我们就可以进行十分广泛的合理的基于MATLAB的小波在语音信号中的应用。
小波变换的相关时频的窗口特性与相关短时傅里叶的时频窗口将是不一样，因为我们知道a不仅会影响窗口在相关的频率轴上的位置，也将会影响相关窗口的形状。
这样的小波变换将对不同的频率在相关的时域上的取样的步长会是可以调节的，也就是在低频的时候小波变换的时间分辨率将是较低的，而相关的频率分辨率较高；
而在相应的高频时小波变换的时间分辨率将会较高，而真正的频率分辨率会较低一些，这也正是符合有关的低频信号变化缓慢一些而高频信号变化迅速一些的重要特点，所以小波变换会被誉为数学显微镜。
这便是小波变换会优于经典的傅里叶变换和短时的傅里叶变换的重要的地方。
小波变换也将是一种积分变换，
将主要为小波变换的系数。
小波变换不同于傅里叶变换的地方主要是，小波基将会具有的尺度
和平移
两个重要的参数，所以有关的函数一经小波变换的话就意味着可以将一个相关的时间函数可以投影到二维的时间-尺度相的有关平面上，这样将会有利于提取有关的信号函数的某些本质方面的特征。
小波分析在目前将是一门新的学科，在相关的频域和时域将会具有良好的局部化的一些特性，小波变换将克服了傅里叶分析方面的一些不足，在能够使用傅里叶变换的地方我们将都可以用小波变换来代替并且所取得的效果将会更好。
小波变换在数据的压缩和去噪以及在边缘检测等方面比现有方法更有效。
小波分析与傅里叶分析的主要的区别将在于：
傅里叶分析的重点是只考虑相关时域和相关的频域之间的是一对一的映射，傅里叶分析主要是以单个变量的时间或频率的相关的函数来表示信号；
小波分析则主要是利用一些可以联合的时间—尺度函数来分析相关的一些非平稳的信号，小波分析和时频分析的主要区别将在于：
时频分析将主要是在相关的时频平面上来表示的一些非平稳的信号，小波分析的描述将主要是在非平稳信号的也在相关的二维平面上，但不是在时频的平面上，而是在有关的时间—尺度的平面上，在小波分析中人们将可以在不同尺度上来观察一些相关的信号，这种对信号分析的多尺度观点将是小波分析的一些最为基本的特征。
小波分析将是属于时频分析的其中的的一种，传统小波分析的信号分析将主要是建立在傅立叶变换的基础之上的，我们知道由于傅立叶分析将主要使用的是一种全局性的变换，要么完全地在时域，要么完全地在频域，因此我们将无法表述有关信号的相关的时频局域的一些性质，而我们知道这种性质恰恰将是非平稳信号中最为根本和最为关键的性质。
我们为了分析和处理有关的非平稳信号，人们将主要对傅立叶分析进行了有关的推广乃至根本性的变革，这样将提出并发展了一系列新的有关的信号分析理论：
短时傅立叶变换和Gabor变换以及时频分析与小波变换，还有分数阶傅立叶变换和线调频小波变换以及循环统计量理论和调幅-调频信号分析等。
其中短时的傅立叶变换和小波变换也将是应传统的傅立叶变换不能够满足相关的信号处理的要求而彼此产生的。
短时的傅立叶变换分析的基本思想将主要是：
我们可以假定非平稳信号在分析窗函数g（t）的一个短时间间隔内将是平稳的，并可以移动分析窗函数，使
将在不同的有限时间的宽度内是平稳的信号，从而可以计算出各个不同时刻的有关的功率谱。
但我们将从本质上来讲的话短时傅立叶变换将会是一种比较单一分辨率的信号分析方法，因为短时傅立叶变换使用一个固定的短时窗函数。
因而短时傅立叶变换在信号分析上还是存在着不可改变的一些缺陷。
小波变换是一种信号的时间—尺度分析方法，它具有多分辨率分析的特点，而且在时频两域都具有表征信号局部特征的能力，是一种窗口大小固定不变但其形状可改变，时间窗和频率窗都可以改变的时频局部化分析方法。
即在低频部分具有较高的频率分辨率，在高频部分具有较高的时间分辨率和较低的频率分辨率，很适合于探测正常信号中夹带的瞬态反常现象并展示其成分，所以被誉为分析信号的显微镜，利用连续小波变换进行动态系统故障检测与诊断具有良好的效果。
小波变换是空间和时间以及频率的一些局部信号的变换,小波变换能有效地从语音信号中提取有用的信息。
由于有些语音信号主要分布在低频区域而噪声则主要分布在高频区域部分,但在高频区域中也含有一小部分有用的语音信号信息,使用MATLAB的小波变换方法处理语音信号,可以分解只作用于低频部分而我们将高频部分保持不动。
基于MATLAB的小波在语音信号中的应用方面还在化学领域有所应用,这会经常涉及到光谱信号和波谱信号以及电化学信号等各种化学信号的处理,在化学领域的这些方面小波分析已得到了非常成功的应用。
目前MATLAB软件有很多方法可用于信号的降噪,如中值滤波和低通滤波以及傅立叶变换等,但它们都将会滤掉了语音信号细节中的有用部分，小波分析作为一种基于MATLAB新的数学工具,对很多领域特别是语音信号分析领域将会产生了重大影响。
MATLAB的小波包变换是小波变换的推广和延续,我们可以视为普遍的一些小波函数的线性组合表示信号时，具有比小波变换更强的灵活性和便捷性。
小波包变换在处理语音信号时,高频部分也和低频部分一样被分解。
3．基于MATLAB的小波变换的相关特点
3.1基于MATLAB的小波滤波器的镜像
在基于MATLAB的小波在语音信号的应用分析中,小波的一些相关的函数以及小波的相关滤波器和相关的比例尺函数或者比例尺的相关滤波器主要是以成对的情况出现的,基于MATLAB的小波是有很多种类的。
我们在对相关的离散的小波信号进行相关的特点分析时,它们均可以使用一个有限的相关数组来表示。
在信息学中我们可以将有限的相关数组表示可以理解为主要是一种有限的脉冲响应的滤波器,这种有限的脉冲响应的滤波器实际效果将是对原信号没有任何的反馈作用的。
基于MATLAB的小波的另一种对原信号的相关具有反馈作用的滤波器我们可以称为无限脉冲响应的滤波器。
这在小波的相关分析中的这种有限的脉冲响应滤波器，我们必须满足的是比例尺的相关滤波器中的各个数值之和的平方将需要是恒等于2或1。
基于MATLAB的小波滤波器中的各数值之和恒等于零；
在基于MATLAB的小波滤波器中，各项数值相对于它们的相关比例尺的实际的滤波器中，各项的数值之间将具有反对称的一些相关的特点；
正是由于这个特点的存在,小波滤波器有时我们也将称为相关比例尺滤波器的镜像。
基于MATLAB的小波滤波器的第一项的相关数值，将会等于比例尺的滤波器中倒数第一项的实际的数值,而是在第二项中就会等于倒数第二项的实际数值,并且我们知道所有的奇数项的实际符号均会为负号。
3.2利用A×
A的比例尺的矩阵来分析小波
基于MATLAB的小波中如果有一列长度为A的离散的的相关小波信号,那么我们在进行小波分析的时候就要考虑先形成一个A×
A的比例尺的相关矩阵。
我们要考虑在相关矩阵的每一行要除了滤波器的实际数值以外其他的数值要均为零的状态,同时我们要考虑每行的滤波器的实际数值将会依照相关的位移量逐渐地进行向右地平移。
那么该矩阵和小波信号向量的相关乘积就是我们所考虑获得的实际的比例尺的系数,同理我们将可以考虑基于MATLAB的小波获得高通滤波器的相关小波系数。
它们所获得的比例尺的相关系数又将我们可以进行下一级的相关分析。
一般来说基于MATLAB的小波的低通滤波器的作用将主要是平滑数据,而高通滤波器的实际作用就是获取它们在这个细节上的相关的差别。
4．基于MATLAB的小波在语音信号的去噪方法
我们对于语音信号去噪方法的研究是语音信号处理领域一个不便的研究话题。
我们知道比较经典的一些信号去噪方法主要包括如时域法和频域法，还有就是加窗傅立叶变换法和维纳分布法等各自都有其相关的局限性的同时也有其优势。
但也限制了这些语音信号去噪方法的相关应用的范围。
基于MATLAB的几种常用小波在语音信号的去噪方法以及变换是一种新的去噪方法，基于MATLAB的阈值去噪法在时频两域都具有非常良好的局部化特性。
并且基于MATLAB阈值去噪法的在语音信号的去噪领域获得了非常广泛的应用。
我的论文将主要研究了基于MATLAB的几种常用小波在语音信号的去噪方法的变换理论，论文着重分析了小波在语音信号在非平稳语音信号去噪中的相关的应用方法。
我也比较了几种常用小波阈值去噪法的应用分析，并针对基于MATLAB的几种常用小波阈值去噪法中常会遇到的小波语音信号的相关的分解层数的选取和阈值的合理选取。
利用MATLAB的小波分析工具箱详细地分析研究了实际的语音信号，并可以根据相关语音信号的噪音模式，我主要在论文中提出了一种改进的小波域的相关语音去噪的实际方法。
4.1基于MATLAB语音信号小波变换阈值去噪法
对于基于MATLAB信号去噪方法的研究是信号处理领域一个永恒的经典话题。
我们研究如何利用MATLAB软件去除语音中的噪声，以及改进相关的语音质量和对于提高相关语音的可懂度是语音信号处理的关键所在。
传统的语音去噪的相关算法是主要对语音信号进行时域或频域的相关滤波的方法，这些语音去噪的方法往往只是对某种特定的语音噪声的去噪的效果明显。
当语音信号中的噪声与相关语音的一些频谱相似时，传统的单纯时域或频域处理往往将无法达到很好的去噪效果。
基于MATLAB的小波在语音信号中的变换是在上世纪的80年代末发展起来的一种时频局部化的分析方法，这种方法特别适用于分析非平稳的小波时变的相关语音信号。
克服了短时傅立叶变换固定分辨率的弱点,既可以分析信号的概貌,又可以分析信号的细节,利用小波变换实现信号的去噪,具有较好的效果。
基于MATLAB的小波在语音信号中的应用理论已在语音信号的去噪方面已经在语音信号的相关科研的处理方面得到越来越广泛的应用。
基于MATLAB的小波具有相关的多分辨率的分析的方法，我们将使基于MATLAB的小波具有带通滤波的一些相关的特性，因而我们就可以利用小波分解与小波重构的相关方法来对相关的滤波进行降噪处理。
基于MATLAB的小波在语音信号中的奇异性检测的相关理论将会使得我们也可利用小波变换模的极大值的相关方法去噪。
非线性小波语音信号变换的相关阈值去噪法将使小波阈值去噪得到了非常广泛的应用。
基于MATLAB语音信号小波变换阈值去噪法对传统的相关去噪方法进行了改进，把传统的相关去噪方法和阈值去噪的相关方法结合在了一起，这将得到了一种新的组合方法。
该方法特点是在滤波之后得到的相关小波系数不仅连续性好的同时准确率也高，而且易于和方便我们重构信号。
基于MATLAB语音信号的仿真结果表明，消噪的效果有了比较明显的改观。
基于MATLAB的小波在语音信号中的应用的小波域的相关滤波是根据信号和相关噪声在不同尺度上的小波变换的不同形态来表现和构造出相应的消噪规则,这样就会对信号和相关噪声的小波变换系数进行相关的处理,这样处理的实质就在于不断地减少以至于完全剔除小波在语音信号中由噪声产生的相关系数,这样就可以同时最大限度地保留有效语音信号对应的一些小波系数,再由MATLAB对处理过的相关小波系数进行信号重构,从而可以得到原始信号的最优估计。
基于MATLAB的小波变换的滤波作用,我们知道就主要包含在对小波变换系数的相关处理中。
我们对于小波语音信号的正常边缘和相关的Lipschitz的指数将是大于或等于0的,这时小波语音信号变换的相关幅值将主要随着尺度的不断增加而增加和保持不变；
而对于基于MATLAB的小波语音信号的噪声,其Lipschitz指数将主要是小于0的状况,这时小波变换的相关幅值将会随着尺度的不断增加而进入迅速衰减的状况。
我们当将相关的尺度增大到一定程度的时候基于MATLAB的小波的噪声控制点将随着小波变换的模极值点将会不断地消失。
基于MATLAB的小波语音信号经过小波变换之后,其小波变换的相关系数将在各尺度的相应的位置上往往有较强一些的实际相关性,尤其是在小波语音信号的边缘附近,其相关性将会更加明显而噪声对应的小波语音信号的小波系数在相关的尺度间将是不相关或弱相关的状态。
因此我们可以考虑利用小波系数在不同尺度上对应点处的相关性来区分系数的不同类别从而进行相关取舍。
通过这样的方法滤波之后的小波语音信号的系数基本上对应着信号的边缘而达到了去噪的实际效果。
4.2基于MATLAB的小波阈值处理方式的优化
传统的硬和软阈值处理方式方法虽然在实际应用中得到了广泛的应用，也取得了较好的理想效果，但是这些方法本身还存在一些应有的缺陷。
在基于MATLAB的相关的硬阈值处理过程中，主要得到的相关的一些小波系数值的连续性比较差，也就是由于分解系数在相关的±
λ处是不连续的，因此我们知道重构所得的小波语音信号可能会产生一些振荡的效应；
而软阈值的相关方法中估计的相关小波系数虽然整体上的连续性较好一些，但是由于当小波系数较大时它们的分解系数之间总存在一些恒定的偏差值，我们知道这将会直接影响相关的重构信号与真实信号的彼此逼近程度，给重构信号带来不可避免的一些误差。
如果我们对相关噪声用分解的实际系数用C（J，k）来表示的话，其中j代表的就是小波语音信号的尺度，k代表相关的时间，我们则可以得出如下的相关结论：
如果我们所分解的语音信号是一个平稳的零均值的白噪声的信号的话，则其小波分解系数将会是不相关的；
如果我们所分解的语音信号是一个高斯噪声，那么则其小波分解系数将会是相对独立的，并且也是高斯分布的状态；
如果我们所分析的信号是一个有色和平稳以及零均值的相关的高斯噪声序列，那么其小波语音的分解系数也是高斯序列。
系统对每一个分解尺度j，其系数将主要是一个有色和平稳的序列。
我们可以用ω（j,k）表示对语音的含噪信号进行相关小波分解后得到的相关的小波系数，我们知道由于小波变换将主要是一种线形的变换，因此小波变换主要由2部分组成，也就是语音信号对应的小波系数和相关的噪声对应的小波系数。
我们知道由于可以利用软阈值方法估计出来相关的小波系数ω（j,k）的相关绝对值总比ω（j,k）要小λ而影响了重构的相关精度，这样我们应设法想办法减小此偏差。
我们只要使ω（j,k）与由语音信号对应的相关小波系数之间的差值尽量小一些，这样则ω（j,k）更接近于信号对应的一些小波系数，这样理解重构精度就会越高的构造函数：
我们由函数式可知，当a=O时上式将会等效为Donoho的相关硬阈值；
当a一1时，上式将会等效为Donoho软阈值；
当a在0到1之间不断地变化时，z将为±
cx3，我们可以知道有|f（x）一x|一>
aλ。
也就是说，随着ω（j,k）模值的不断增大，ω（j,k）与ω（j,k）偏差的绝对值的范围将会逐渐减小为αλ，这样将会大大地减小了软阈值方法中产生的相关恒定的一些偏差的同时将提高了重构精度和改善了实际的去噪效果。
可见相对于硬和软阈值函数而言，新阈值函数将是一个更灵活的基于MATLAB的小波在语音信号中的应用选择。
我们只要在0和1之间适当的调整α的大小，就可以获得更好的小波在语音信号中的去噪效果。
图1是我用Matlab画出的Donoho软和硬阈值图及新阈值的相关函数图，主要是当α=O．1的情况下。
4.3基于MATLAB的小波在语音信号去噪的仿真程序
其源程序如下：
clear
clc
/*此程序表示在噪声环境下语音信号的相关增强功能和语音信号将主要为读入的相关声音文件以及噪声主要为正态的一些随机噪声*/
sound=wavread（'
c12345.wav'
）;
count1=length（sound）;
noise=0.05*randn（1,count1）;
fori=1:
count1
signal（i）=sound（i）;
end
y（i）=signal（i）+noise（i）;
/*此程序表示在在小波基“db3”的状态下进行一维的离散相关小波变换*/
[coefs1,coefs2]=dwt（y,'
db3'
/*此程序表示低频和高频*/
count2=length（coefs1）;
count3=length（coefs2）;
energy1=sum（（abs（coefs1））.^2）;
energy2=sum（（abs（coefs2））.^2）;
energy3=energy1+energy2;
count2
recoefs1（i）=coefs1（i）/energy3;
count3
recoefs2（i）=coefs2（i）/energy3;
/*此程序主要是表示低频系数进行相关的语音信号清浊音的判别*/
zhen=160;
count4=fix（count2/zhen）;
count4
n=160*（i-1）+1:
160+160*（i-1）;
s=sound（n）;
w=hamming（160）;
sw=s.*w;
a=aryule
升级会员 