学位论文 > 优秀研究生学位论文题录展示

独立分量分析及其在语音识别预处理中的应用

作　者: 韩仲志
导　师: 黄汉明
学　校: 广西师范大学
专　业: 电路与系统
关键词: 独立分量分析盲源分离语音增强语音识别预处理高噪声环境
分类号: TN912.34
类　型: 硕士论文
年　份: 2006年
下　载: 449次
引　用: 5次
阅　读: 论文下载

内容摘要

独立分量分析(ICA)是一种高阶统计量信号处理方法,1995年以来逐渐被广泛接受,越来越多地被应用于与信号处理有关的领域。目前,独立分量分析是模式识别与信号处理等相关领域的一个重要的研究热点。本文旨在研究基于独立分量分析的盲信号处理(BSP)理论及其在语音识别预处理中语音信号盲源分离(BSS)和语音增强等方面的应用。目的是寻求一种稳健的语音识别预处理手段。本文在讨论独立分量分析理论,重点研究了被广泛应用的FastICA算法的基础上,做了如下三个方面的研究工作:探讨了用不同的线性ICA算法实现的混叠语音盲分离,并主观和客观等不同角度评价用ICA方法对这些混叠信号的分离效果和算法的分离性能,另外,本文实现了一类单信道的盲分离问题的简单解决方案,它可以只用一个信道就能从被噪声污染的信号中把较纯净的语音提取出来,而传统方法至少需要两个信道。基于高斯白噪声背景,本文比较了传统算法和基于ICA/BSS算法在语音消噪和增强方面的差异,指出了基于ICA方法在高噪声环境下的优越性,并且指出在较大的信噪比范围内基于此方法的消噪的效果具有一定的平稳性,接着,本文讨论了ICA方法对多种不同环境噪声的适应性问题。此外,文章还提出了一种基于ICA与小波的联合降噪方法,试验表明,这种方法能使得语音增强性能进一步提高。文章最后,用DTW的方法实现了一个简单的非特定人连接词智能家居语音识别系统,基于这个系统本文设计了一系列的试验,试验证明在恶劣的环境下,基于ICA的预处理方法能够使系统的识别性能得到很大的提高。总之,不论从混叠语音的盲分离,还是从语音增强效果,乃至系统识别率的提高等不同角度来看,独立分量分析都不失为一种有效的语音识别预处理方法。本文的研究将对噪声环境特别是高环境噪声下的语音分析与识别具有积极的意义。

全文目录

摘要  3-4
Abstract  4-8
第一章：绪论  8-18
  1.1 论文的研究背景和研究意义  8-9
    1.1.1 研究背景  8-9
    1.1.2 研究意义  9
  1.2 什么是独立分量分析  9-12
    1.2.1 “鸡尾酒会”问题和盲源分离  9-10
    1.2.2 线性独立分量分析模型  10-12
    1.2.3 独立分量分析发展简史  12
  1.3 课题相关领域研究进展  12-14
    1.3.1 相关领域国外研究现状  12-13
    1.3.2 相关领域国内研究综述  13-14
    1.3.3 ICA 在语音处理中的应用  14
  1.4 语音识别的预处理  14-17
    1.4.1 语音识别及噪声影响  14-16
    1.4.2 语音增强与消噪现状  16-17
  1.5 论文的主要工作与结构安排  17-18
第二章：独立分量分析理论综述  18-33
  2.1 独立分量分析的基本问题  18-23
    2.1.1 线性ICA 的基本假设及讨论  18-19
    2.1.2 线性ICA 的拓展模型  19-20
    2.1.3 ICA 数据的预处理  20-21
    2.1.4 ICA 和BSS、PCA 的关系  21-22
    2.1.5 ICA 估值优化问题  22-23
  2.2 估计原则—ICA 目标函数  23-25
    2.2.1 非高斯极大  23-24
    2.2.2 互信息最小  24-25
    2.2.3 其他的目标函数  25
  2.3 ICA 估计原则之间的联系  25-26
  2.4 优化过程—ICA 学习算法  26-32
    2.4.1 FastICA 算法  26-29
    2.4.2 FastICA 的性能与改进  29-30
    2.4.3 其他主要算法介绍  30-32
  2.5 ICA 算法的分类与讨论  32-33
第三章：从语音盲分离探讨 ICA 算法性能  33-44
  3.1 衡量算法的性能指标  33-35
    3.1.1 基于性能矩阵的评价准则  33-34
    3.1.2 基于输入输出信号的评价准则  34
    3.1.3 基于独立性量度的评价准则  34-35
  3.2 盲信号可分离性分析  35-36
    3.2.1 分离的可实现性  35
    3.2.2 分离的不确定性  35-36
    3.2.3 分离的可行性试验仿真  36
  3.3 基于ICA 的语音盲分离试验  36-39
    3.3.1 试验数据分析  36-38
    3.3.2 试验过程及结果  38-39
  3.4 不同算法的分离性能比较  39-43
    3.4.1 自身评价  39-40
    3.4.2 主观比较  40-41
    3.4.3 客观比较  41-43
  3.5 真实环境下的盲分离初探  43-44
第四章：高噪声环境下基于ICA/BSS 的语音增强  44-56
  4.1 当前两种主要语音增强方法  44-45
    4.1.1 基于谱减法的语音增强  44
    4.1.2 基于小波变换的语音增强  44-45
  4.2 基于ICA/BSS 的语音消噪方法  45-47
    4.2.1 线性 ICA/BSS 消噪思想  45-46
    4.2.2 ICA/BSS 法消噪试验结果  46
    4.2.3 ICA/BSS 消噪的后处理  46-47
    4.2.4 ICA/BSS 与传统方法联合的降噪方法  47
  4.3 单信道下的ICA/BSS 消噪方法  47-51
    4.3.1 二抽取法  47-49
    4.3.2 虚拟信道法  49-50
    4.3.3 复制信号法  50-51
  4.4 语音消噪与增强的效果评价  51-53
    4.4.1 语音增强评价标准  51
    4.4.2 不同语音增强方法的比较试验  51-52
    4.4.3 语音增强效果评价  52-53
  4.5 ICA/BSS 对不同噪声的适应性分析  53-56
    4.5.1 多种噪音文件及说明  53-54
    4.5.2 噪声适应性试验结果  54-55
    4.5.3 噪声适应性试验结论  55-56
第五章：语音识别预处理中的 ICA/BSS 方法  56-67
  5.1 语音识别与动态时间归整  56-59
    5.1.1 语音识别的现状  56-57
    5.1.2 动态时间规整技术  57-59
    5.1.3 语音识别性能的评价标准  59
  5.2 智能家居控制语音识别系统开发  59-61
    5.2.1 系统的设计思想  59-60
    5.2.2 各功能模块的实现  60-61
  5.3 数据采集与试验说明  61-62
  5.4 带预处理语音识别试验  62-66
    5.4.1 试验1：白噪声环境下预处理方法对系统的影响  62-64
    5.4.2 试验2：现实噪声环境下 ICA 方法的优越性  64-65
    5.4.3 试验3：联合方法对不同环境噪声的适应性  65-66
  5.5 试验总结与展望  66-67
进一步的研究建议  67-68
参考文献  68-71
附录  71-72
攻读硕士期间发表的论文  72-73
致谢  73-74

独立分量分析及其在语音识别预处理中的应用

内容摘要

全文目录

相似论文