基于小波分析的语音识别的研究

论文摘要

语音识别技术的应用,本质上在于它能将输入的语音转化为语言代码,能够大幅度降低代码率,便于存储和传输,而且也容易被计算机或专用信息处理单元理解其含义,从而开发出更广泛的应用。例如,机器能听懂人类的自然语言。能够有效去除语音信号中的噪声是当今业界研究的热点问题,有很重要的理论价值和实用意义。本论文研究被噪声干扰的语音信号的去噪和识别课题。首先对语音信号和噪声的特性进行了分析;接着对语音识别系统的预处理、语音信号分析方法、特征提取、模板训练和模板匹配方法进行了论述;语音识别率的提高需要提取准确的语音特征参数,最好的办法就是对待识别语音进行降噪处理。本论文选取小波变换阈值去噪原理去除噪声。在对众多小波函数的分析中选择了sym8小波基和Heursure阈值选择规则,在‘sln’重调方法的前提下,分别采用硬阈值法、软阈值法和双变量阈值法,以及不同的小波分解层数进行了实验,得出采用双变量阈值法和5层尺度分解得到比较好的去噪效果和较小的信号损失的成果,对解决小波基选择和小波阈值选择的两个难点问题提供了一个可行的方法。

论文目录

• 目录
• 摘要
• ABSTRACT
• 第一章 绪论
• 1.1 概述
• 1.1.1 语音识别及其应用
• 1.1.2 噪声环境下语音识别的发展及现状
• 1.2 课题的研究意义
• 1.3 本文主要内容
• 第二章 语音识别技术的基本原理
• 2.1 语音信号和噪声的特性
• 2.1.1 语音信号特性
• 2.1.2 噪声特性
• 2.2 语音识别系统的组成
• 2.2.1 语音识别系统预处理
• 2.2.2 语音信号分析方法
• 2.2.3 模板的训练方法
• 2.2.4 模板匹配方法
• 第三章 基于小波变换的语音信号去噪技术
• 3.1 小波变换基础
• 3.1.1 连续小波及其变换
• 3.1.2 二进小波及其变换
• 3.1.3 多分辨率分析
• 3.1.4 小波函数的选取
• 3.2 小波函数去噪声的基本原理
• 3.2.1 小波分解与重构法去噪声
• 3.2.2 模极大值检测法
• 3.2.3 屏蔽去噪法
• 3.2.4 平移不变量小波去噪法
• 3.2.5 非线性小波阈值去噪法
• 3.3 小波阈值去噪中两个难点问题的解决
• 3.3.1 小波基和小波分解层数的选择
• 3.3.2 小波阈值和阈值函数的确定
• 第四章 仿真效果及分析
• 4.1 小波变换的阈值信号去噪声实验
• 4.2 小波变换的语音识别实验
• 结论
• 致谢
• 参考文献
• 附录