基于非重構(gòu)的壓縮感知語音特性分析與研究.pdf

1、近年來，隨著信息技術(shù)的高速發(fā)展，傳統(tǒng)的奈奎斯特采樣已經(jīng)不能滿足人們?nèi)找嬖鲩L的信息量需求，而壓縮感知理論因其采樣速率遠低于奈奎斯特采樣，且采樣方法簡單，因而備受關(guān)注，一經(jīng)提出就引起了學(xué)術(shù)界的巨大反響。本文將語音信號處理技術(shù)與壓縮感知技術(shù)相結(jié)合，研究基于非重構(gòu)的壓縮感知語音特性分析技術(shù)，即在不重構(gòu)原始語音信號的情況下，分析和研究語音壓縮采樣后觀測序列的新特性，從而提出直接從觀測序列提取語音特征參數(shù)的新方法，例如共振峰和基音周期，并利用觀測采

2、樣序列進行語音端點檢測等，這些都是未來基于壓縮感知理論的語音信號處理技術(shù)的理論基礎(chǔ)，也是其走向?qū)嶋H應(yīng)用必不可少的前提。
　　首先，本文研究了基于觀測序列高階累積量的語音端點檢測方法，本文詳細闡述了高階累積量理論，并分析其特性，即對于高斯過程，其三階及以上的高階累積量均為零值。然后根據(jù)壓縮感知理論，分析了高斯隨機觀測矩陣下的語音觀測序列得出該觀測序列是非高斯的，而噪聲觀測序列是高斯的，據(jù)此將高階累積量理論應(yīng)用到基于觀測序列的語音端點

3、檢測中。針對清音幀與噪聲幀難以區(qū)分這一問題，本文使用全帶低帶能量比作為第二個參數(shù)，將高階累積量與全帶低帶能量比結(jié)合起來，更加準確地檢測語音信號的端點。本文將這一方法與基于倒譜距離的端點檢測法相比較，本文方法的魯棒性更好。與傳統(tǒng)奈奎斯特采樣下的同類方法比較，本文方法計算量較小。
　　其次，論文分析語音壓縮感知觀測序列的波形特點，從數(shù)學(xué)的角度證明濁音經(jīng)行階梯矩陣投影后觀測序列呈現(xiàn)新的周期性的特點，并給出了觀測序列波形的周期與原語音信號

4、周期的關(guān)系。然后對觀測序列進一步進行小波變換，由于基音周期信息是低頻信息，因此論文對低頻小波系數(shù)采用自相關(guān)方法進行基音周期檢測，該方法與傳統(tǒng)方法相比，大大減小了計算量。但由于觀測序列數(shù)據(jù)量遠小于原始信號，因此基音周期的提取精度有所下降，這是需要進一步研究的重點問題。針對原始語音含噪的情況，本文先對觀測序列進行小波閾值去噪，然后再提取基音周期，實驗表明，經(jīng)小波閾值去噪后，基音周期檢測的準確度明顯提高，減小了噪聲對檢測準確度的影響。

5、　　第三，論文推導(dǎo)了在非重構(gòu)的情況下進行語音功率譜估計的方法，通過估計原始語音的自相關(guān)序列來求解功率譜，論文通過嚴謹?shù)臄?shù)學(xué)證明，使用觀測序列的自相關(guān)矩陣和觀測矩陣行向量間的自相關(guān)與互相關(guān)作為估計原始信號自相關(guān)的數(shù)據(jù)，成功估計出原始信號的自相關(guān)序列，進而估計出原始信號的功率譜。由于該方法沒有使用壓縮感知迭代重構(gòu)算法，對于稀疏性不理想的清音幀信號本文算法的功率譜估計效果好于使用重構(gòu)算法的功率譜估計方法。論文還將估計所得功率譜用于求解語音信號