【正文】 0 0 男 B 數(shù)字“ 2”聲音特征參數(shù)提取結(jié)果 0 0 0 男 B 數(shù)字“ 3”的聲音特征參數(shù)提取結(jié)果 0 0 0 0 0 第 13 頁 共 26 頁 男 B 數(shù)字“ 4”的聲音特征參數(shù)提取結(jié)果 0 0 男 B第二次發(fā)數(shù)字“ 1”的聲音特征參數(shù)提取結(jié)果 0 0 0 0 0 男 B第二次發(fā)數(shù)字“ 2”的聲音特征參數(shù)提取結(jié)果 0 0 0 特征參數(shù)結(jié)果分析 （ 1）由 0 5 10 15 20 25 3 0 2 0 1 00102030頻率小波包系數(shù)的能量 圖 6男 A各個發(fā)言特征參數(shù)對比圖 表 4 男聲 A樣本“ 14” 特征參數(shù)提取 小波包系數(shù)的能量 每兩兩之間差值 列數(shù) 男 A 不同 發(fā)音參數(shù)差值 第 1 列 第 2 列 第 3 列 第 4 列 第 5 列 第 6 列 “ 1”與“ 2” “ 1”與“ 3” “ 1”與“ 4” “ 2”與“ 3” 第 14 頁 共 26 頁 “ 2”與“ 4” “ 3”與“ 4” 列數(shù) 男 A 不 同發(fā)音參數(shù)差值 第 7 列 第 8 列 第 9 列 第 10 列 第 11 列 第 1224 列 “ 1”與“ 2” 0 “ 1”與“ 3” 0 “ 1”與“ 4” 0 “ 2”與“ 3” 0 “ 2”與“ 4” 0 “ 3”與“ 4” 0 從上圖及差值表可以發(fā)現(xiàn)在 3— 5列數(shù)值上有很大差別有些部 分?jǐn)?shù)值上基本無差別。 for i=3:size(m,1)2 dtm(i,:) = 2*m(i2,:) m(i1,:) + m(i+1,:) + 2*m(i+2,:)。 c2 = c1.*w39。 t=t39。 第 10 頁 共 26 頁 xx=double(x)。 for k=1:12 n=0:23。m39。美爾頻標(biāo)倒譜系數(shù)（ MFCC）考慮了人耳的聽覺特性，將頻譜轉(zhuǎn)化為基于 MEL頻標(biāo)的非線性頻譜，然后轉(zhuǎn)換到頻譜域 上。 f(:) = x(indf(:,ones(1,len))+inds(ones(nf,1),:))。 end nf = fix((nxlen+inc)/inc)。 nwin=length(win)。本次設(shè)計采用小波包分析特征參數(shù)的提取， 采用小波包分析代替 MFCC中離散傅里葉變換。但說話人識別是力圖找出不同人之間的差別，而語音識別則側(cè)重于對不同說話者的差別進(jìn)行歸一化。 (4)從目前使用的情況來看， Mel刻度式倒頻譜參數(shù)是描述人耳聽覺特性的，在大詞匯量語音識別應(yīng)用中已逐漸取代原本常用的線性預(yù)測編碼導(dǎo)出的倒頻譜參數(shù)，原因是它考慮了人類發(fā)聲與接收聲音的特性，具有更好的魯棒性。 (2)LPC是語音分析的重要手段，它能很好地進(jìn)行譜估計，即可作為語音特征的參數(shù)。 c(1)=[]。 x=melbankm(24,256,8000)。所以通常將加窗后的幀經(jīng)過快速傅立葉變換 (FFT)，求出每幀的頻譜參數(shù)。這個 函數(shù)的名字就是 lpc，它的語法為 ： a=lpc(x,p)這里 x為一幀語音信號， p為計算 LPC 參數(shù)的階數(shù)。 (3)提供的語音信號模型參數(shù) (如基音、共振峰、譜、聲道面積函數(shù)等 )簡潔而準(zhǔn)確，計算量較小，便于實時處理。線性預(yù)測分析方法是一種譜估計的方法，而且其聲道模型系統(tǒng)函數(shù) H(z)反映了聲道的頻率響應(yīng)和原始信號的譜包絡(luò) ， 因此用 lgH(z)做反 Z變換即可求出其復(fù)倒譜系數(shù)。特征提取完成從語音信號提取出對語音識別有用的信息，它對語音信號進(jìn)行分析處理，去掉與語音識別無關(guān)的冗余信息 ， 獲得影響語音識別的重要信息。 對該語音編碼算法的抗誤碼性能進(jìn)行計算機(jī)仿真研究的基礎(chǔ)上 ， 設(shè)計、集成了以 C C40作為信號處理器的實時水聲通信系統(tǒng) 。所以，只要能檢測到因聲門閉合產(chǎn)生的語音波形突變，就可求出基音周期。 關(guān)于小波包分析的理解，可以以一個三層的分解進(jìn)行說明，其小波包分解樹如圖 1 所示。 小波包分析 短時傅里葉變換對信號的頻帶劃分是線性等間隔的。提升小波在 1996 年由 Sweldens 提出后，在許多領(lǐng)域都得到了廣泛應(yīng)用。正是這種特性，使小波變換具有對信號的自適應(yīng)性。這就促使人們?nèi)ふ乙环N新方法，能將時域和頻域結(jié)合起來描述觀察信號的時頻聯(lián)合特征，構(gòu)成信號的時頻譜。 它是整個時間域內(nèi)的積分，沒有局部化分析信號的功能，完全不具備時域信息，也就是說，對于傅里葉 譜中的某一頻率，不能夠知道這個頻率是在什么時候產(chǎn)生的。 小波變換是一種信號的時間 — 尺度 (時間 — 頻率 )分析方法，它具有多分辨率分析 (MultiresolutionAnalysis)的特點，而且在時頻兩域都具有表征信號局部特征的能力，是一種窗口大小固定不變，但其形狀可改變，時間窗和頻率窗 都可以改變的時頻局部化分析方法。 —— 標(biāo)識在系統(tǒng)中的所有接收器、實時消息（ Realtime Messages） —— 用于 MIDI 部件之間的同步和獨占消息（ Exclusive Messages）—— 廠商的標(biāo)識代碼。 1988 年 Mallat 提出的多分辨度分析理論（ MRA），統(tǒng)一了語音識別中的鏡向濾波，子帶編碼，圖象處理中的金字塔法等幾個不相關(guān)的領(lǐng)域。 通過本次設(shè)計加深對聲紋識別前期技術(shù)聲音特征參數(shù)的學(xué)習(xí)與研究。 國內(nèi)外研究現(xiàn)狀 國際上對聲音識別研究已經(jīng)相當(dāng)成熟。別人可以模仿你的簽字，猜測你的密碼，甚至能留下你的指紋，但要模仿你的聲音就有點太苛刻了。s voice as a feature extraction method, with the recognition algorithm can achieve higher recognition rate. Keywords:Wavelet packet。論文首先介紹小波分析理論的基本知識，闡述了小波理論、小波分析在聲音特征提取方面的應(yīng)用，然后在分析 MFCC提取原理的基礎(chǔ)上，結(jié)合小波包分析理論，得到特征參數(shù)。 成都信息工程學(xué)院 學(xué)位論文 基于小波包分析的聲音特性提取 論文作者姓名： 申請學(xué)位專業(yè)： 申請學(xué)位類別： 指導(dǎo)教師姓名（職稱）： 論文提交日期： 基于小波包分析的聲音特性提取 摘 要 說話人識別就是利用說話人的語音特征對說話人身份進(jìn)行辨識或確認(rèn)。本設(shè)計完成了一個基于小波包分析的聲音特征參數(shù)的提取模型。 關(guān)鍵詞 ： 小波包；梅爾倒譜系數(shù)；特征參數(shù) Extraction of Feature Coefficient Based on Wavelet Packet Analysis Abstract Speaker Recognition is to use the speaker feature on the identity of the speaker identification or confirmation. As with speech recognition, speaker recognition is to extract some characteristic parameters of the original speech signal based on the establishment of appropriate templates and models, and according to some decision rules for recognition. One early feature extraction directly affects the effect of late the recognition accuracy. The design is pleted, a wavelet packet analysis based on a simple model of the voice feature parameter extraction. Paper first introduces the basics of wavelet analysis theory， Described the wavelet theory and wav