【正文】 ithm is very important. Next to the existing algorithm for pitch detection are summarized, and a detailed introduction to this article will use the two kinds of basic pitch detection algorithm is the basic principle and realization. Finally in Matlab on speech signal pitch period detection.Keywords: pretreatment,pitch detection ,autocorrelation function。最后在Matlab上對語音信號進行基音周期的檢測。 論文首先介紹了語音基音檢測算法在語音識別方面的研究背景極其重要意義。本論文通過兩種算法在Matlab上實現(xiàn)基音周期的檢測，分別是短時自相關(guān)函數(shù)法和短時平均幅度差函數(shù)法。攀枝花學院本科畢業(yè)設(shè)計(論文) 摘要基于基音周期模型的語音識別摘要 基音周期是表征語音信號本質(zhì)特征的參數(shù)，屬于語音分析的范疇，只有準確分析并且提取出語音信號的特征參數(shù)，才能夠利用這些參數(shù)進行語音識別處理。語音識別率的高低，都依賴于對語音信號分析的準確性和精確性，因此基音周期的研究在語音信號的處理應用中具有十分重要的作用。通過實驗得到的基音周期結(jié)果的分析來識別不同的人的語音信號。其次對現(xiàn)有的基音檢測算法進行了歸納和總結(jié)，并詳細的介紹本文將用的兩種基本基音檢測算法的基本原理及實現(xiàn)。本設(shè)計為語音信號的基音周期檢測，采集語音信號，對語音信號進行處理，區(qū)分清音濁音，并通過對采樣值進行濾波、分幀、求短時自相關(guān)函數(shù)，得到濁音的基音周期。 the average magnitude difference function method。語言是人類特有的功能，它是創(chuàng)造和記載幾千年人類文明史的根本手段，沒有語言就沒有今天的人類文明。語音中除了包含實際發(fā)音內(nèi)容的語音信息外，還包括發(fā)音者是誰及喜怒哀樂的各種信息?，F(xiàn)在的電腦網(wǎng)絡(luò)技術(shù)的普及和完善，對于語音信號處理技術(shù)發(fā)揮著越來越重要的作用。語音信號處理的一系列技術(shù)及其應用已經(jīng)成為信息社會中不可或缺的組成部分，促進了信息社會的發(fā)展。在聽別人說話時，不僅要聽還要看，這些語音特征在研究時很重要的。但其前提和基礎(chǔ)是對語音信號的分析，語音識別率的高低取決于對語音信號分析的準確性和精度。語音信號處理和認知科學、心理學、語言學、計算機科學、模式識別和人工智能等學科聯(lián)系緊密?；纛l率的檢測和共估值在語音編碼，語音合成和語音識別中有著廣泛的應用。因為清音信號沒有周期性，所以就將濁音信號的周期稱為基音周期, 它是聲帶振動頻率的倒數(shù)。著眼于基音的檢測方法，開展了一下三個方面的研究：1）穩(wěn)定并提取準周期性信號的周期性方法；2）因周期混亂，采取基音提取誤差補償?shù)姆椒ǎ?）消除聲道（共振峰）影響的方法。 要準確地提取語音信號的特征參數(shù)，對語音信號的處理分析很重要。在這些參數(shù)中，基音周期的提取顯得更重要些，其提取的準確與否直接影響到語音識別是否真實再現(xiàn)原始語音信號的頻譜?；糁芷谑侵赴l(fā)濁音時聲帶震動所引起的周期運動時間間隔。特征參數(shù)應能完全，準確地表達語音信號，那么特征參數(shù)也應能完全，準確地表達語音信號所攜帶的全部信息。僅對元音的特征進行了深入的研究，輔音的領(lǐng)域就比較薄弱，最難的元﹑輔音的過渡就更是空白，但偏偏這一部分所含的信息量大，最難處理的。聲帶的聲學功能是為語音提供主要的激勵源，由聲帶的振動產(chǎn)生聲音，是形成聲音的基本聲源。語音由聲帶震動或不經(jīng)聲帶震動來產(chǎn)生，其中由聲帶震動產(chǎn)生的音統(tǒng)稱為濁音，而不由聲帶震動產(chǎn)生的音統(tǒng)稱為清音。發(fā)濁音時，氣流通過聲門使聲帶產(chǎn)生張弛震蕩式振動，產(chǎn)生準周期的激勵脈沖串。在基音檢測的方法中，對每幀語音信號只進行一次清濁判決，若判決為濁音，則以基音周期間隔的脈沖序列作為該幀的激勵信號；若為清音，則以隨機噪音作為該幀的激勵信號，實際中，清濁信號的過渡段是很難區(qū)分的，且激勵信號也常常含有類噪音成分，很難以幀加以區(qū)分。語音信號還是隨著一些因素在變化的，男人聲音低，就基音頻率低，女基音頻率還跟隨著人的性別、年齡不同而有所不同。基音周期的估計稱謂基音檢測，基音檢測的最終目的是為了找出和聲帶振動頻率完全一致或盡可能相吻合的軌跡曲線?；糁芷谛畔⒌膽煤軓V發(fā)，如：語音識別，說話人識別，語音分析與綜合以及低碼率語音編碼，發(fā)音系統(tǒng)疾病的診斷，聽覺殘障者的語言指導等。在使用漢語進行談話時，我們可以說話人的語調(diào)來了解其中的意思，也可以是用元音和輔音來辨識說話人的意思，但是，由于漢語中常常會出現(xiàn)多音字，就是一個字它有不同的讀音和不同的意義，所以，能夠準確并且可靠地進行基音周期檢測對漢語語音信號的處理相當重要，同時對于語音識別有十分重要的意義?；糁芷谑锹晭д饎宇l率F0的倒數(shù)，對于語音產(chǎn)生的數(shù)字模型中激勵源來說，也是一個重要參數(shù)。到目前為止仍然沒有一種基音檢測方法可以適用于不同的說話人、不同的要求和環(huán)境，究其原因，可歸納為如下5個方面。所以也就無法準確地估計出基音周期。就聲道共振峰來說，有時會嚴重影響音源諧波結(jié)構(gòu)。另一方面因為語音信號的波形受共振峰、噪音等因素的影響。5．基音頻率變化范圍有些大，從最低的聲頻到最高的聲頻，中間相差大概3個倍頻程，所以研究起基音檢測還是相當困難的。我國基音檢測方面的研究起步要比國外發(fā)達國家晚一點，但是進步很大，特別是對漢語的基音檢測取得成果尤為突出。非基于事件的檢測方法主要有:自相關(guān)函數(shù)法、平均幅度差函數(shù)法，倒譜法，以及在以上算法基礎(chǔ)上的一些改進算法。相比于基于事件的基音周期檢測方法來說，它的優(yōu)點主要是算法簡單，而且運算量小?；谑录臋z測方法是通過定位聲門閉合時刻來對基音周期進行估計，而不是對語音信號進行短時平穩(wěn)假設(shè)，主要有小波變換方法和HilbertHuang變換方法這兩種。第2章：詳細介紹兩種常用的基音檢測算法及其原理，并進行優(yōu)缺點分析。第4章：詳細講解語音識別的原理，通過對比基音周期來達到能夠判別不同的說話人，同時也說明基音周期在語音識別中的重要作用。最后是參考文獻、致謝。目前，基音周期檢測的算法有很多種，最常用的基音檢測算法有自相關(guān)函數(shù)法和平均幅度差函數(shù)法。 常用的基音檢測算法及其原理 自相關(guān)函數(shù)法預處理 語音的濁音信號具有準周期性，其自相關(guān)函數(shù)在基音周期的整數(shù)倍處取最大值。語音信號的低幅度部分包含了大量的共振峰信息，而高幅度部分包含了大量的基音信息。并且非線性處理在采用硬件時可在時域低成本地實現(xiàn)。為了突出反映基音周期的信息，同時壓縮其他無關(guān)信息，減小運算量，自相關(guān)計算之前需要對語音信號進行適當預處理。預處理的方法：先對語音信號進行中心削波處理，再進行自相關(guān)計算。 中心削波函數(shù)為 ：（） XL +XL 中心削波函數(shù) 做自相關(guān)運算，只有剩余的峰值部分參與運算，其他都是零。一般在不損失基音信息的前提下，盡可能的選的高一些，能達到好的效果。其中,削波電平XL一般取最大信號幅度的60％—70％，削波后的序列用短時自相關(guān)函數(shù)估計基音周期，在基音周期處峰值更加尖銳，可減少倍頻或半頻錯誤。短時自相關(guān)函數(shù)有以下重要性質(zhì)：①如果是周期信號，周期是，那么也是周期信號，且周期同樣是p，就有。③自相關(guān)函數(shù)是偶函數(shù)，即。在實際中，采用短時自相關(guān)函數(shù)法進行基音檢測時，第一要考慮的問題是窗的問題，使用一個窗函數(shù)，令窗不動，而語音信號移動，這就是經(jīng)典的短時自相關(guān)函數(shù)法。窗長應該選的更長一些，避免第一最大峰值點與基音周期不一致，窗長長了就可以更清楚的了解自相關(guān)函數(shù)的波形，更有利于檢測。越小，誤差越大，好處是運算時較簡便。 用短時平均能量進行清/濁音的判斷在基音檢測的同時，應進行清/濁音判斷，因為可將濁音/清音特征看作與周期/非周期相同的特征，所以可以簡化問題，濁/清音往往按自相關(guān)函數(shù)和預測誤差的自相關(guān)函數(shù)的峰值來決定。輔助參數(shù)主要有:語音信號能量；過零數(shù)；自相關(guān)函數(shù)；線性預測系數(shù)。 N 為窗長。 通常N的選擇與語音的基音周期相關(guān)聯(lián)系，一般要求窗長為幾個基音周期的數(shù)量級。通過En的高低來判定濁音向清音的轉(zhuǎn)化。選擇的原則是：使得短時能量既能及時跟蹤語音能量的緩變規(guī)律，同時又對語音振幅一個基音周期內(nèi)的瞬時變化有顯著平滑的作用。語音的濁音信號具有準周期性，所以在自相關(guān)函數(shù)基音周期的整數(shù)倍的地方取最大值，計算相鄰兩個最大峰值之間的距離，就可以估計出基音周期。由于豐富的諧波成分使得語音信號波形變得復雜。(a)是一幀的原始語音信號，(b)是經(jīng)過自相關(guān)函數(shù)的語音信號，可以看出峰值是自相關(guān)函數(shù)在基音周期處，峰值點之間的間隔的平均值就是基音周期，(b)所示可以看出自相關(guān)函數(shù)檢測出的基音周期是原始信號基音周期的一半，因為諧波峰值點(箭頭所示)的影響，就會出現(xiàn)上述缺點中所說的倍頻現(xiàn)象。對于濁音信號，在周期整數(shù)倍上，這個差值不為零，但也小，就可以采用計算短時平均幅度差函數(shù)中兩相鄰谷值間的距離進行基音周期估值。 因為只需加、減法和取絕對值等的計算，比較簡單。實驗證明：靜音環(huán)境環(huán)境下或是噪聲較小時，AMDF法的檢測結(jié)果比較好；語音環(huán)境惡劣或信噪比較低情況下，檢測的效果就比較差，準確度不高。(a)是在這幀語音信號中加入信噪比是2dB噪聲后所得到的波形，(b)看出來了它的平均幅度差函數(shù)中有很多諧波分量，基音峰值點受到這些諧波分量的很大影響，在基音周期的判斷時就有出入。自相關(guān)函數(shù)先進行基音周期估計時先分清濁音和清音，再去尋找的是最大峰值點的位置，而AMDF尋找的是它的最小谷值點的位置；自相關(guān)函數(shù)法具有很好的抗噪性，但易受半頻、倍頻錯誤影響，而平均幅度差函數(shù)法只需加法、減法和取絕對值等計算，算法簡單，運算量相比自相關(guān)函數(shù)法大為減少，易于硬件實現(xiàn)?；谡Z音信號短時平穩(wěn)性，它們的優(yōu)點是比較簡單，主要應用于只需要平均基音周期作為參數(shù)的語音識別。： 開始/程序/附件/娛樂/錄音機。 語音信號的采樣和分幀“采樣”是指從語音信號中選取一段樣本，一般取樣點數(shù)為幀長的整數(shù)倍。分幀時需要對語音信號進行加窗操作，窗口長度的選擇非常重要，窗口長度過短會使得分析窗內(nèi)沒有包含足夠的數(shù)據(jù)點來進行周期判斷，且短時能量變化劇烈；窗口長度過長，短時能量是一段長時間的平均，不但不能反映出語音信號基頻的細節(jié)變化部分，而且使得計算量增大。一般窗長選為120240點，分幀模塊主要完成將取樣模塊中獲得的語音樣值點分為若干個語音幀。，運行：x=wavread(39。)。 stem(x,39。)。采樣模塊從采樣頻率為11KHz的語音信號中截取1秒到2秒這一時間段，取了11000個樣點進行分析，取幀長為20ms，即每幀為220個樣點值，共分為50幀。39。%讀取聲音文件x=x(11001:22000)。 stem(x,39。)。39。m=max(a)。endm=max(a)。ht=(m+n)/2。 a(i)=a(i)ht。subplot(2,1,1)。k39。axis([0,1711,1,1])。中心削波前語音波形39。xlabel(39。)。幅度39。coeff=。for k=1:L。 elseif a(k)=(th0)。 else a(k)=0。for i=1:L。endsubplot(2,1,2)。k39。axis([0,1711,1,1])。中心削波后語音波形’）；xlabel(39。)。幅度39。得到的結(jié)果如下： 中心削波前和中心削波后的波形 語音信號基音周期的檢測 短時自相關(guān)函數(shù)法檢測基音周期對每一幀信號進行自相關(guān)運算程序如下：x=wavread(39。)。