語(yǔ)音信號(hào)端點(diǎn)檢測(cè)算法的研究.pdf

1、在當(dāng)前信息科技時(shí)代，語(yǔ)音信號(hào)識(shí)別(ASR)技術(shù)、語(yǔ)音信號(hào)編碼(ASC)技術(shù)、及語(yǔ)音信號(hào)增強(qiáng)(ASE)技術(shù)[1]將會(huì)在安防領(lǐng)域、人機(jī)交互領(lǐng)域、通信領(lǐng)域以及未來(lái)的消費(fèi)電子產(chǎn)品領(lǐng)域[2]產(chǎn)生強(qiáng)有力的技術(shù)支撐作用。通過(guò)語(yǔ)音信號(hào)端點(diǎn)檢測(cè)技術(shù)，可以準(zhǔn)確地分析出一段語(yǔ)音信號(hào)中的純語(yǔ)音信號(hào)和靜音段[3]，該技術(shù)直接對(duì)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(gè)環(huán)節(jié)來(lái)表征一個(gè)完整的語(yǔ)音端點(diǎn)檢測(cè)模型：首先，語(yǔ)音信號(hào)

2、預(yù)處理環(huán)節(jié)，包括信號(hào)濾波、語(yǔ)音流分幀以及信號(hào)加窗等[5]。其次，提取整個(gè)語(yǔ)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(yǔ)音信號(hào)特征向量的極好方法[6]。最后，語(yǔ)音端點(diǎn)判別模型的建立[7]。傳統(tǒng)的語(yǔ)音端點(diǎn)檢測(cè)算法有基于時(shí)域的雙門(mén)限法、基于頻域的普熵法以及基于倒普特征的檢測(cè)方法等。
　　針對(duì)在低信噪比和復(fù)雜的噪聲環(huán)境下，為了得到滿意的端點(diǎn)檢測(cè)效果，本文提出了基于優(yōu)化極限學(xué)習(xí)機(jī)(ELM)的端點(diǎn)檢測(cè)模型，通過(guò)優(yōu)化網(wǎng)絡(luò)連接參

3、數(shù)以彌補(bǔ)算法本身的不足。
　　(1)為了優(yōu)化ELM神經(jīng)網(wǎng)絡(luò)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(xué)習(xí)機(jī)(PSO-ELM)端點(diǎn)檢測(cè)模型。依靠ELM神經(jīng)網(wǎng)絡(luò)的快速學(xué)習(xí)能力，瞬間完成端點(diǎn)檢測(cè)并輸出預(yù)測(cè)結(jié)果。該算法在一定程度上優(yōu)化了網(wǎng)絡(luò)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(luò)的連接參數(shù)，最后采用自適應(yīng)步長(zhǎng)果蠅(FOAMR)算法優(yōu)化極限學(xué)習(xí)機(jī)，并將優(yōu)化后算法應(yīng)用于