导读:本文包含了频率倒谱系数论文开题报告文献综述及选题提纲参考文献，主要关键词:手机来源识别,LPMFCC,组合特征,支持向量机
频率倒谱系数论文文献综述
秦天芸,王让定,裴安山[1]（2018）在《基于线性预测梅尔频率倒谱系数的设备来源识别》一文中研究指出由于手机录音设备的不断普及,各种功能强大的数字媒体编辑软件的出现,鉴别手机录音设备所录制的音频数据的真伪已经成为数字取证技术关注的热点问题。本文将线性预测系数(LPC)和梅尔频率倒谱系数(MFCC)特征进行结合,得到新的特征,即线性预测梅尔频率倒谱系数(LPMFCC)。然后将LPMFCC与能量特征结合得到的组合特征作为手机的指纹,选择支持向量机LIBSVM作为分类器,在两种语音库上进行手机设备来源识别实验。实验表明,LPMFCC特征作为手机指纹进行实验的识别率相对于LPC提升了12%,相对于MFCC提升了2%,并且LPMFCC与能量特征的组合特征相比于单一的LPMFCC特征对手机录音设备的来源更有区分性。(本文来源于《数据通信》期刊2018年04期）
陈锦飞,徐欣[2]（2017）在《基于梅尔频率倒谱系数与动态时间规整的安卓声纹解锁系统》一文中研究指出安卓设备通常采用数字或图形密码解锁,但此类口令形式的密码安全性不高,而且部分安卓版本存在锁屏绕过漏洞的问题。为此,设计一种利用用户声纹特征的安卓解锁系统。采用梅尔频率倒谱系数提取声纹特征,使用动态时间规整算法进行文本相关的声纹模式匹配,并结合安卓NDK技术实现快速声纹识别。实验结果表明,该系统具有较高的解锁成功率和较快的解锁速度,相比数字或图形解锁,声纹解锁安全性更高,用户体验更好。(本文来源于《计算机工程》期刊2017年02期）
朱宇轩[3]（2016）在《基于Mel频率倒谱系数的说话人识别研究》一文中研究指出由于人耳对声音频率的感知不是线性的,通过短时傅里叶变化得到的语音信号短时谱是按实际语音频率分布的,但符合人耳听觉特性的频率分布是按照临界频带分布的。因此按实际频率分布的频谱作为语音特征时,由于它不符合人耳的听觉特性,将会降低说话人识别系统的识别性能。(本文来源于《西部皮革》期刊2016年10期）
朱春媚,刘保军,黎萍,莫鸿强,郑则广[4]（2016）在《基于改进反向Mel频率倒谱系数的咳嗽干湿性自动分类》一文中研究指出咳嗽的自动分类在临床上具有重要的辅助诊断作用。传统的Mel频率倒谱系数(MFCC)采用Mel均匀滤波器组,高频段的滤波器分布较稀疏,未能最大程度反映两类咳嗽的特征差别。针对这个问题,本文在分析干性咳嗽和湿性咳嗽频谱能量分布特点的基础上,提出了一种改进的反向MFCC提取方法,采用反向Mel刻度上的均匀滤波器组,并放置在两类咳嗽都具有高频谱能量的频段,使得特征提取集中在两类咳嗽特征信息丰富且差别显着的频段进行。基于隐马尔可夫模型的咳嗽干湿性自动分类实验结果表明,该方法获得了优于传统MFCC的分类性能,总体分类准确率从89.76%提高到了93.66%。(本文来源于《生物医学工程学杂志》期刊2016年02期）
寄珊珊,郭磊,续欣莹,阎高伟[5]（2016）在《基于梅尔频率倒谱系数的球磨机料位软测量》一文中研究指出在球磨机料位测量优化的研究中,针对球磨机音频信号存在非线性及利用梅尔频率倒谱系数(MFCC)方法提取到的特征参数中存在冗余信息的问题,采用MFCC监督等距映射(S-Isomap)和极限学习机(ELM)建立球磨机料位软测量模型。首先,采用MFCC方法得到音频信号的特征参数并进行参数重组。然后利用鲁棒的S-Isomap进行降维提取特征,以克服不相关信息对测量精度的影响;最后采用ELM建立所得特征与料位信息的回归模型。实验结果表明,以梅尔频率倒谱系数作为音频信号的特征参数序列能有效测量球磨机料位,且改进方法具有较高的测量精度。(本文来源于《计算机仿真》期刊2016年02期）
曾以成,陈雨莺,毛燕湖,谢小娟[6]（2015）在《基于经验模态分解结合傅氏变换与Wigner分布的Mel频率倒谱系数提取》一文中研究指出根据语音信号的非平稳特点,用经验模态分解方法把语音信号分解成一系列固有模态函数(Intrinsic Mode Function,IMF),一个IMF只含有语音信号的一部分信息,不同IMF分量携带的特征信息不同,对这些IMFs进行加权处理,得到新的语音,再对其进行后续处理.Wigner-Ville分布能精确地定位信号的时频结构,而传统傅氏变换不能反映信号的瞬时变化情况,但多分量信号的Wigner-Ville分布受困于交叉项的干扰,因此利用Wigner-Ville分布的优点,采用Wigner-Ville谱与傅氏谱结合来代替单独的傅氏谱作为每帧的特征,进行Mel频率倒谱系数(Mel Frequency Cepstrum Coefficient,MFCC)提取.实验表明,经改进后的MFCC参数较传统的MFCC参数应用于说话人识别系统,识别率有较大提升,且鲁棒性较好.(本文来源于《湘潭大学自然科学学报》期刊2015年02期）
袁霞,赵向阳[7]（2015）在《基于MEL频率倒谱系数技术的音控汽车天窗的研究设计》一文中研究指出基于对语音信号的研究,采用MEL频率倒谱系数对语音信号进行提取,动态规划的思想进行语音信号的匹配,以汽车天窗为控制对象,实现了系统样机的研制。测试结果表明,系统在车内噪音低于70分贝下的平均识别率高达93%。(本文来源于《河南机电高等专科学校学报》期刊2015年02期）
张怡然,白静,王力[8]（2014）在《基于多窗频谱估计和平滑幅度谱包络的Mel频率倒谱系数(MFCC)改进算法》一文中研究指出语音的特征提取是说话人识别系统中的关键问题。在传统的Mel频率倒谱系数(MFCC)参数的基础上,提出一种改进的MFCC特征提取算法。该算法着眼于语音的前端处理,在预处理阶段,利用SWCE窗函数,对信号进行多窗频谱估计。并对得到的频谱进行平滑处理,得到信号的谱包络。然后对信号的谱包络进行计算,得到改进的MFCC参数。实验表明,在不同噪声环境下,与传统的MFCC算法相比,改进的算法识别率提高四个百分点以上。(本文来源于《科学技术与工程》期刊2014年19期）
曹辉,徐晨,赵晓,吴胜举[9]（2013）在《说话人识别中的Mel特征频率倒谱系数》一文中研究指出目的研究语音特征梅尔频率倒谱系数(MFCC)的选取对说话人识别系统性能的影响。方法采用基于平均影响值(MIV)的支持向量机(SVM)方法研究了说话人识别中的梅尔频率倒谱系数各维倒谱分量对于识别分类的贡献度。结果选择具有代表性的特征向量进行说话人分类识别,能得到维数更低、识别率更高的特征参数。结论通过MIV值可判断各维特征参数分量的重要性,选取权重值高的MFCC特征参数来提高系统识别率和缩短系统运行时间。(本文来源于《西北大学学报(自然科学版)》期刊2013年02期）
蒋琳琼,贺建飚[10]（2013）在《一种声纹美尔频率倒谱系数干扰消除算法研究》一文中研究指出在伴随着外部噪声的情况下,待识别的声纹美尔频率倒谱系数特征各项属性很容易受到外部噪声的干扰发生改变,造成声纹特征的识别的精度不高。为提高精度,提出了一种用支持向量机的美尔频率倒谱系数特征干扰去除算法。确定分类决策函数时充分考虑美尔频率倒谱系数与声纹中心以及噪声之间的关系,并且将声纹特征引入核函数,将原空间样本数据通过非线性变换映射到高维特征空间,在高维空间中求最优或广义最优分类面,实现对语音特征的干扰消除。实验表明,利用改进算法实现了声纹特征中过零率,倒谱特征、矩形窗和汉明窗长的短时能量函数特征的优化。(本文来源于《计算机仿真》期刊2013年04期）
频率倒谱系数论文开题报告
（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：
安卓设备通常采用数字或图形密码解锁,但此类口令形式的密码安全性不高,而且部分安卓版本存在锁屏绕过漏洞的问题。为此,设计一种利用用户声纹特征的安卓解锁系统。采用梅尔频率倒谱系数提取声纹特征,使用动态时间规整算法进行文本相关的声纹模式匹配,并结合安卓NDK技术实现快速声纹识别。实验结果表明,该系统具有较高的解锁成功率和较快的解锁速度,相比数字或图形解锁,声纹解锁安全性更高,用户体验更好。
（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。
频率倒谱系数论文参考文献
[1].秦天芸,王让定,裴安山.基于线性预测梅尔频率倒谱系数的设备来源识别[J].数据通信.2018
[2].陈锦飞,徐欣.基于梅尔频率倒谱系数与动态时间规整的安卓声纹解锁系统[J].计算机工程.2017
[3].朱宇轩.基于Mel频率倒谱系数的说话人识别研究[J].西部皮革.2016
[4].朱春媚,刘保军,黎萍,莫鸿强,郑则广.基于改进反向Mel频率倒谱系数的咳嗽干湿性自动分类[J].生物医学工程学杂志.2016
[5].寄珊珊,郭磊,续欣莹,阎高伟.基于梅尔频率倒谱系数的球磨机料位软测量[J].计算机仿真.2016
[6].曾以成,陈雨莺,毛燕湖,谢小娟.基于经验模态分解结合傅氏变换与Wigner分布的Mel频率倒谱系数提取[J].湘潭大学自然科学学报.2015
[7].袁霞,赵向阳.基于MEL频率倒谱系数技术的音控汽车天窗的研究设计[J].河南机电高等专科学校学报.2015
[8].张怡然,白静,王力.基于多窗频谱估计和平滑幅度谱包络的Mel频率倒谱系数(MFCC)改进算法[J].科学技术与工程.2014
[9].曹辉,徐晨,赵晓,吴胜举.说话人识别中的Mel特征频率倒谱系数[J].西北大学学报(自然科学版).2013
[10].蒋琳琼,贺建飚.一种声纹美尔频率倒谱系数干扰消除算法研究[J].计算机仿真.2013