語音信號端點檢測算法的研究.pdf

1、在當前信息科技時代，語音信號識別(ASR)技術(shù)、語音信號編碼(ASC)技術(shù)、及語音信號增強(ASE)技術(shù)[1]將會在安防領域、人機交互領域、通信領域以及未來的消費電子產(chǎn)品領域[2]產(chǎn)生強有力的技術(shù)支撐作用。通過語音信號端點檢測技術(shù)，可以準確地分析出一段語音信號中的純語音信號和靜音段[3]，該技術(shù)直接對ASR、ASE技術(shù)的性能和ASC技術(shù)的效率產(chǎn)生決定性影響[4]。
　　可以用三個環(huán)節(jié)來表征一個完整的語音端點檢測模型：首先，語音信號

2、預處理環(huán)節(jié)，包括信號濾波、語音流分幀以及信號加窗等[5]。其次，提取整個語音流的特征向量，小波分析(WA)技術(shù)的多分辨率解析特性是提取語音信號特征向量的極好方法[6]。最后，語音端點判別模型的建立[7]。傳統(tǒng)的語音端點檢測算法有基于時域的雙門限法、基于頻域的普熵法以及基于倒普特征的檢測方法等。
　　針對在低信噪比和復雜的噪聲環(huán)境下，為了得到滿意的端點檢測效果，本文提出了基于優(yōu)化極限學習機(ELM)的端點檢測模型，通過優(yōu)化網(wǎng)絡連接參

3、數(shù)以彌補算法本身的不足。
　　(1)為了優(yōu)化ELM神經(jīng)網(wǎng)絡的輸入權(quán)值和隱含層偏差，結(jié)合粒子群優(yōu)化(PSO)算法，形成了粒子群優(yōu)化極限學習機(PSO-ELM)端點檢測模型。依靠ELM神經(jīng)網(wǎng)絡的快速學習能力，瞬間完成端點檢測并輸出預測結(jié)果。該算法在一定程度上優(yōu)化了網(wǎng)絡連接結(jié)構(gòu)，但是仍然存在一定的缺陷。
　　(2)為了更好的優(yōu)化 ELM神經(jīng)網(wǎng)絡的連接參數(shù)，最后采用自適應步長果蠅(FOAMR)算法優(yōu)化極限學習機，并將優(yōu)化后算法應用于