【正文】 變換的點(diǎn)數(shù)。(2)計(jì)算出每一幀的譜的能量。(3)計(jì)算出每一幀中每個(gè)樣本點(diǎn)的概率密度函數(shù)。(4)計(jì)算出每一幀的譜熵值。(5)設(shè)置判決門限。(6)根據(jù)各幀的譜熵值進(jìn)行端點(diǎn)檢測。計(jì)算每一幀的譜熵值采用以下公式進(jìn)行計(jì)算的： (328)是第幀的譜熵，計(jì)算是基于譜的能量變化而不是譜的能量，所以在不同水平噪聲環(huán)境下譜熵參數(shù)具有一定的穩(wěn)健性，但每一譜點(diǎn)的幅值易受噪聲的污染進(jìn)而影響端點(diǎn)檢測的穩(wěn)健性。 基于譜熵特征的語音端點(diǎn)檢測試驗(yàn)分析對于一段頻帶很寬的語音信號來說，由于語音段相對于背景噪聲而言，它的能量主要集中在某幾個(gè)頻段，起伏突變比較大，所以熵值小，而噪聲信號在整個(gè)頻帶內(nèi)分布相對比較平坦（尤其是白噪聲信號），所以其熵值比較大，因此可以利用這種差異來區(qū)分語音段與噪聲段。對于頻帶寬度受限的情況而言，例如語音信號的頻率主要集中在300Hz~3400Hz，所以在此范圍內(nèi)，則認(rèn)為語音信號的隨機(jī)事件比較多，平均信息量大，熵值大，在背景噪聲在此頻率范圍受限的情況下，則熵值較小。本文中所有的仿真結(jié)果都是在頻率受限（限制在300Hz～3400Hz的范圍內(nèi)）的情況下經(jīng)過實(shí)驗(yàn)所獲得。下面是通過matlab進(jìn)行的實(shí)驗(yàn)仿真。結(jié)果如圖310所示：圖310 高信噪比對語音信號加隨機(jī)噪聲，降低信噪比，如圖311所示：圖311低信噪比從圖38中看出，在高信噪比下，譜熵不能準(zhǔn)確地對語音信號進(jìn)行端點(diǎn)檢測，而如果對信號加一些噪聲，則發(fā)現(xiàn)能夠非常準(zhǔn)確的檢測出語音信號的每一字符的兩個(gè)端點(diǎn)，這說明，基于譜熵特征的語音端點(diǎn)檢測算法能夠在低信噪比的環(huán)境下很好的進(jìn)行端點(diǎn)檢測。 算法比較在語音識別系統(tǒng)中產(chǎn)生錯(cuò)誤識別的原因之一是端點(diǎn)檢測有誤差，在高信噪比情況下，正確地確定語音的端點(diǎn)并不困難。本文采用能零率檢測法、倒譜特征檢測法、譜熵檢測法分別對語音信號進(jìn)行端點(diǎn)檢測。然后對這三種算法進(jìn)行比較，即對各算法進(jìn)行語音端點(diǎn)檢測時(shí)采用同一段原始語音信號，然后在原始語音信號中加入噪聲，比較各算法在低信噪比和高信噪比條件下端點(diǎn)檢測結(jié)果進(jìn)行比較。下面是通過windows系統(tǒng)的錄音系統(tǒng)錄制的語音“5”，通過matlab進(jìn)行的基于三種算法的語音端點(diǎn)檢測，如圖312所示：a)b)c)d)從圖中看出，在高信噪比下，基于倒譜特征的方法雖不能清晰的檢測出來，但能夠很好的反映出語音信號與噪聲信號倒譜區(qū)別，已經(jīng)能模糊的找到語音的端點(diǎn)，如果對原始信號加一些隨機(jī)噪聲，模擬現(xiàn)實(shí)生活中的噪聲，則能非常清晰的顯示出信號與噪聲信號的倒譜特征的區(qū)別，然后對門限設(shè)置，則能夠很好的進(jìn)行低信噪比的語音端點(diǎn)檢測。e)f)圖312 高低信噪比基于不同算法的語音端點(diǎn)檢測仿真在低信噪比下，基于能零比雖能夠稍微顯示噪聲信號與語音信號的不同，但在過零率和短時(shí)能量則顯示比較平緩，不能清晰的進(jìn)行端點(diǎn)檢測。基于倒譜特征的端點(diǎn)檢測則已經(jīng)能夠檢測出語音信號端點(diǎn)。而基于譜熵的端點(diǎn)檢測則能夠非常清晰的檢測出語音端點(diǎn)。從以上仿真圖的比較中可以看出雙門限語音端點(diǎn)檢測算法、倒譜語音端點(diǎn)檢測算法和譜熵語音端點(diǎn)檢測算法，在高信噪比條件下對語音端點(diǎn)檢測效果依次降低，而在低信噪比的情況下檢測效果依次增加。又根據(jù)三種端點(diǎn)檢測算法的matlab 仿真過程，得出三種算法的優(yōu)缺點(diǎn)，其如表31所示：表31 語音端點(diǎn)檢測算法比較算法類別優(yōu)點(diǎn)缺點(diǎn)測評基于能零率算法（1）原理簡單（2）運(yùn)算量小，便于實(shí)時(shí)實(shí)現(xiàn)（1）近適應(yīng)于平穩(wěn)噪聲的檢測，對于不同噪聲的魯棒性差（2）只能檢測高信噪比的語音一般基于倒譜特征算法（1）原理簡單（2）特征參數(shù)受語音信號時(shí)域、頻域參數(shù)變化影響小，魯棒性較好（1）當(dāng)噪聲與語音信號的相應(yīng)特征參數(shù)差別不大時(shí)，方法失效（2）對于清音的檢測效果一般一般基于譜熵特征算法（1）大多數(shù)算法運(yùn)算量較小，便于實(shí)時(shí)實(shí)現(xiàn)（2）能夠?qū)崿F(xiàn)低信噪比平穩(wěn)噪聲環(huán)境下帶噪語音信號的檢測（1）當(dāng)噪聲與語音先好的時(shí)域或頻域分布類似時(shí)。方法失效（2）對于清音的檢測效果較差較好 本章小結(jié)本章是本文的重點(diǎn)章節(jié)，首先講述了語音端點(diǎn)檢測的基本原理及作用，列舉了一些基本的語音端點(diǎn)檢測算法，如時(shí)域參數(shù)法、頻域參數(shù)、信息論、人工神經(jīng)網(wǎng)絡(luò)方法等算法。在時(shí)域參數(shù)采用了基于短時(shí)能量和過零率相結(jié)合的方法，經(jīng)過matlab實(shí)驗(yàn)仿真，驗(yàn)證了能零率相結(jié)合的方法在安靜環(huán)境下即在信噪比比較高的環(huán)境下能夠很好的檢測出語音端點(diǎn)。其后采用了基于倒譜特征的語音端點(diǎn)檢測。信號倒譜的一種定義是信號的能量譜密度函數(shù)s(ω)的對數(shù)的傅里葉反變換,或者可以將信s(n)的倒譜c(n)看成是logS(ω)的傅里葉級數(shù)展開，倒譜能很好表示語音的特征,因此在大多數(shù)語音識別系統(tǒng)中選擇倒譜系數(shù)作為輸入特征矢量。經(jīng)過matlab仿真，發(fā)現(xiàn)基于倒譜特征在低信噪比環(huán)境和在高一點(diǎn)的信噪比環(huán)境下都能夠進(jìn)行語音端點(diǎn)檢測。根據(jù)信息論的方法，產(chǎn)生了基于譜熵的語音端點(diǎn)檢測。熵描述了隨機(jī)事件結(jié)局的不確定性，即一個(gè)信息源發(fā)出的信號以信息熵來作為信息選擇和不確定性的度量，Shne JL提出基于熵的語音端點(diǎn)檢測方法，在某種程度上講，譜熵對噪聲具有一定的穩(wěn)健性。隨后的仿真實(shí)驗(yàn)驗(yàn)證了在嘈雜的環(huán)境下，基于熵譜的算法能夠很好的進(jìn)行端點(diǎn)檢測。33結(jié)論 結(jié) 論語音端點(diǎn)檢測是語音識別的非常重要的一步，對于語音識別后期處理大大縮短了運(yùn)算量。語音信號有不同的特征參數(shù)，根據(jù)不同的特征參數(shù)會有不同的語音端點(diǎn)檢測算法，一般是根據(jù)時(shí)域和頻域兩種來進(jìn)行檢測。本文對于語音端點(diǎn)檢測算法進(jìn)行了進(jìn)一步的研究，選擇了三種不同特征參數(shù)的算法并且在不同的環(huán)境下進(jìn)行了仿真，最后進(jìn)行了比較，分析了不同算法優(yōu)缺點(diǎn)，其主要成果如下：(1)闡述了語音信號端點(diǎn)檢測前期的處理過程，例如短時(shí)分析技術(shù)、預(yù)加重、加窗和分幀等。(2)首先進(jìn)行了傳統(tǒng)的基于短時(shí)能量和過零率的語音端點(diǎn)算法研究，在高、低兩種噪聲比進(jìn)行了實(shí)驗(yàn)仿真。(3)又選擇了基于倒譜特征參數(shù)和基于譜熵能量的兩種頻域的語音端點(diǎn)檢測算法進(jìn)行了研究，在不同噪聲的環(huán)境下進(jìn)行了仿真實(shí)驗(yàn)。(4)根據(jù)同一語音信號分別在不同的噪聲比環(huán)境下進(jìn)行了仿真實(shí)驗(yàn)比較，評述了每一種端點(diǎn)檢測算法的優(yōu)點(diǎn)和缺點(diǎn)。選出了在噪聲環(huán)境下，基于譜熵能量的算法是最優(yōu)的。語音產(chǎn)業(yè)需要更加開放的環(huán)境，使有興趣和實(shí)力的企業(yè)都能加入到這方面的研究和開發(fā)中，逐步改變。隨著聲控電子產(chǎn)品的不斷研發(fā)，語音識別技術(shù)在開發(fā)和研究上還有大量的工作需要做。35參考文獻(xiàn) 參考文獻(xiàn)1 劉波，李文忠，曾涯．：電子工業(yè)出版社，20062 ：人民郵電出版社，20033 ：清華大學(xué)出版社，2008 4 Abdallah I , Montresor S , Baudry M. Robust SpeechPnon speech Detection in Adverse Conditions Usingan Entropy Based :International Conference on Digital Signal Processing ,1997:757 760.5 L. R. Rabiner, B. H. Juang. Fundamentals of speech recognition. Murray Hill, New Jersey ,USA ,1993:6336446 Rabiner .,Sambur algorithm for determining the endpoints of isolated .,1975,pp:297315.7 嚴(yán)劍峰， 2005,(11):37448 ,(28):45479 ：北京郵電大學(xué),200810 劉榮，,(19):576411 ．河北大學(xué)，2010:404512 陳斐利,2006,(9):495313 汪石，農(nóng)許鋼，張愛雪，,(2):1113 14 2005,(10):283015 于迎霞，,(5):24725016 ．湖南師范大學(xué)，2006,(3):10410617 何強(qiáng) ：清華大學(xué)出版社，200237致謝 致 謝在此感謝老師在本次畢業(yè)設(shè)計(jì)中耐心的指導(dǎo)，從畢業(yè)設(shè)計(jì)的選題，到基于MATLAB語音端點(diǎn)檢測算法的確定，以及在設(shè)計(jì)研究實(shí)驗(yàn)過程中及其論文的撰寫，每一步都傾注著導(dǎo)師的心血。經(jīng)過幾個(gè)月的努力，畢業(yè)設(shè)計(jì)基本完成了。在畢業(yè)設(shè)計(jì)過程中，使我學(xué)到很多新的知識，同時(shí)也加深了以前所學(xué)的知識，讓我理解和學(xué)習(xí)了語音端點(diǎn)檢測這項(xiàng)語音信號處理技術(shù)，積累了寶貴的經(jīng)驗(yàn)。在完成設(shè)計(jì)的過程中導(dǎo)師耐心的指導(dǎo)和嚴(yán)謹(jǐn)?shù)闹螌W(xué)態(tài)度，精湛的學(xué)術(shù)造詣和誨人不倦的精神給我留下了非常深刻的印象，使我受益匪淺，為我今后的學(xué)習(xí)和工作樹立了楷模。畢業(yè)設(shè)計(jì)能順利完成離不開老師的幫助的。同時(shí)感謝身邊的同學(xué)，他們?yōu)槲姨峁┝撕芏鄬氋F的資料。本次畢業(yè)設(shè)計(jì)自始至終是在他們的指導(dǎo)和幫助下完成的,在此，再一次向他們致以深深的敬意和感謝!再次衷心感謝所有關(guān)心和幫助我的老師和同學(xué)和朋友們致以最誠摯的謝意！附錄程序%過零率和短時(shí)能量clear all。 clc。 close all x=wavread(39。39。)。%len=length(x)。 %nois=*rand(len,1)。 %x=x+nois。 x = double(x)。x = x / max(abs(x))。plot(x)%常數(shù)設(shè)置FrameLen = 240。%指定幀長FrameInc = 80。%指定幀移amp1 = 10。amp2 = 2。zcr1 = 10。zcr2 = 5。maxsilence = 8。 % 6*10ms = 30msminlen = 15。 % 15*10ms = 150msstatus = 0。count = 0。silence = 0。%計(jì)算過零率tmp1 = enframe(x(1:end1), FrameLen, FrameInc)。%分幀處理，tmp1和tmp2為分幀后形成的二維數(shù)組tmp2 = enframe(x(2:end) , FrameLen, FrameInc)。signs = (tmp1.*tmp2)0。diffs = (tmp1 tmp2)。zcr = sum(signs.*diffs, 2)。%計(jì)算短時(shí)能量amp = sum(abs(enframe(filter([1 ], 1, x), FrameLen, FrameInc)), 2)。%調(diào)整能量門限amp1 = min(amp1, max(amp)/4)。amp2 = min(amp2, max(amp)/8)。%開始端點(diǎn)檢測x1 = []。x2 = []。for n=1:length(zcr) goto = 0。 switch status case {0,1} % 0 = 靜音, 1 = 可能開始 if amp(n) amp1 % 確信進(jìn)入語音段 x1(end+1) = max(ncount1,1)。 status = 2。 silence = 0。 count = count + 1。 elseif amp(n) amp2 | ... % 可能處于語音段 zcr(n) zcr2 status = 1。 count = count + 1。 else % 靜音狀態(tài) status = 0。 count = 0。 if length(x1)~=length(x2) x2(end+1)=x1(end)+countsilence/21。 end end case 2, % 2 = 語音段 if amp(n) amp2 | ... % 保持在語音段 zcr(n) zcr2 count = count + 1。 else % 語音將結(jié)束 silence = silence+1。 if silence maxsilence % 靜音還不夠長，尚未結(jié)束 count = count + 1。 elseif count minlen % 語音長度太短，認(rèn)為是噪聲 status = 0。 silence = 0。 count = 0。 else % 語音結(jié)束 status = 3。 end end case 3, status=0。 x2(end+1)=x1(end)+countsilence/21。 endend % count = countsilence/2