【正文】 圖11 語音識(shí)別系統(tǒng)流程圖 Speech recognition system diagram端點(diǎn)檢測有兩個(gè)過程：1．基于語音信號(hào)的特征，用能量、過零率、熵(entropy)、音高(pitch)等參數(shù)以及它們的衍生參數(shù)，來判斷信號(hào)流中的語音/非語音信號(hào)。在商用語音系統(tǒng)中，由于信號(hào)多變的背景和自然對(duì)話模式而更容易使句中有停頓（非語音），特別是在爆發(fā)聲母前總會(huì)有無聲間隙。此外端點(diǎn)檢測的目的還在于：1．減少識(shí)別器的數(shù)據(jù)處理量。2．拒絕非語音的信號(hào)。3．在需要打斷功能的系統(tǒng)中，語音的起始點(diǎn)是必須的。在現(xiàn)代通信技術(shù)中，凡是涉及到語音通信的，都需要應(yīng)用到語音端點(diǎn)檢測這一技術(shù)，并且這一技術(shù)的重要性不僅體現(xiàn)在日常語音通信中，更體現(xiàn)在科研和國防建設(shè)上。另外，有關(guān)國家安全保密工作，常需對(duì)某些通信線路進(jìn)行監(jiān)控，在對(duì)眾多的線路進(jìn)行監(jiān)控時(shí)，為了節(jié)約人力物力并且不遺漏可疑信息，語音端點(diǎn)檢測起到了至關(guān)重要的作用。 國內(nèi)外研究現(xiàn)狀 端點(diǎn)檢測算法的國內(nèi)外研究現(xiàn)狀語音端點(diǎn)檢測算法經(jīng)過幾十年的發(fā)展，產(chǎn)生了很多方法，而且隨著語音技術(shù)在現(xiàn)代科學(xué)中的重要性不斷增大，也不斷的有新方法被提出來滿足需要。1994年Erdal提出一種基于語音參數(shù)的分段方法。這些參數(shù)描述了此語音信號(hào)的重要的信息，繼而用一定的算法進(jìn)行推理，從而可以判定此信號(hào)是語音段還是非語音段。1999年Sohn等人提出了基于統(tǒng)計(jì)模型似然比的端點(diǎn)檢測算法。2003年Gazor提出了利用拉普拉斯概率密度函數(shù)(PDF)為帶噪語音和噪聲譜建模，它被證明是一個(gè)更好的純凈語音分布的模型。[4]。由此，首先，用主元分析(PCA)分析噪聲觀察值的估計(jì)協(xié)方差矩陣構(gòu)造噪聲特征空間。在具有較小特征值得子特征空間中可以找到可靠的信息。因此，基于可靠信息就可以實(shí)現(xiàn)魯棒性VAD。經(jīng)過研究發(fā)現(xiàn)，倒譜特征參數(shù)的語音信號(hào)端點(diǎn)檢測方法[5]在噪聲環(huán)境下具有傳統(tǒng)的能量方法無法比擬的優(yōu)越性。隨著小波分析在信號(hào)處理領(lǐng)域的廣泛應(yīng)用，也有不少基于小波分析語音端點(diǎn)檢測算法被提出，如：選擇小波部分子帶跟蹤信號(hào)的能量變化以實(shí)現(xiàn)端點(diǎn)檢測，將小波變換模極大值應(yīng)用于信號(hào)突變點(diǎn)的檢測等[6]。與單片機(jī)相比，DSP有著更適合數(shù)字信號(hào)處理的優(yōu)點(diǎn)。DSP發(fā)展歷程大致分為三個(gè)階段：70年代理論先行，80年代產(chǎn)品普及，90年代突飛猛進(jìn)。但MPU較低的處理速度無法滿足高速實(shí)時(shí)的要求。隨著大規(guī)模集成電路技術(shù)的發(fā)展，1982年世界上誕生了首枚通用可編程DSP芯片TI公司的TMS32010。當(dāng)時(shí)的DSP技術(shù)在醫(yī)療電子、生物電子、應(yīng)用地球物理等領(lǐng)域獲得應(yīng)用。90年代DSP發(fā)展十分驚人，相繼出現(xiàn)了第四代和第五代DSP器件。進(jìn)入21世紀(jì)，DSP正向著高速，高系統(tǒng)集成，高性能方向發(fā)展。如TI公司的TMS320C80代表了新一代芯片集成技術(shù)，它將4個(gè)32位的DSP，1個(gè)32位RISC主處理器，1個(gè)傳輸控制器，2個(gè)視頻控制器和50Kb SRAM集成在一個(gè)芯片上。它可支持各種圖像規(guī)格和各種算法，功能相當(dāng)強(qiáng)。按照CMOS的發(fā)展趨勢，DSP的運(yùn)算速度提高到1000MIPS是完全有可能的。TI公司將常用的DSP芯片歸納為三大系列，即TMS320C2000系列(TMS320C2xx)，TMS320C5000(TMS320C54xx/C55x)，TMS320C6000系列(TMS320C62x/67x)。而以C54xx系列內(nèi)核為基礎(chǔ)的DSP器件TMS320C5402不僅繼承了上述優(yōu)點(diǎn)，而且存儲(chǔ)器有三個(gè)獨(dú)立的可選擇的空間：程序存儲(chǔ)空間、數(shù)據(jù)存儲(chǔ)空間和I/O空間。包括隨機(jī)存儲(chǔ)器(RAM)和只讀存儲(chǔ)器(ROM)。片上雙存取訪問RAM被組織在一些塊上，因?yàn)槊總€(gè)DARAM塊能夠在每個(gè)機(jī)器周期中被訪問兩次，結(jié)合并行的體系結(jié)構(gòu)，使得5402得以在一個(gè)指定的周期內(nèi)完成四個(gè)并發(fā)的存儲(chǔ)器操作：一個(gè)取指操作、兩個(gè)數(shù)據(jù)讀操作和一個(gè)數(shù)據(jù)寫操作。TMS320C5402的26個(gè)CPU寄存器和片上外設(shè)寄存器被映射在數(shù)據(jù)存儲(chǔ)空間。本文開發(fā)的系統(tǒng)就是建立在TMS320C5402的基礎(chǔ)上。 本論文主要工作內(nèi)容和任務(wù)本文以語音端點(diǎn)檢測的算法為核心，以小波分析理論為基礎(chǔ)，分析討論了子帶平均能量方差和小波系數(shù)方差的算法，并將優(yōu)化算法運(yùn)用到了基于DSP音視頻矩陣控制的系統(tǒng)中，本論文主要工作如下：1．掌握語音信號(hào)處理的相關(guān)理論和處理方法，分析基于小波理論的子帶平均能量方差和小波系數(shù)方差的語音端點(diǎn)檢測算法。2．使用MATLAB軟件進(jìn)行算法仿真，分析實(shí)驗(yàn)結(jié)果得出并驗(yàn)證優(yōu)化后的算法。4．使用CCS開發(fā)環(huán)境進(jìn)行軟件系統(tǒng)的設(shè)計(jì)，算法的移植與DSP內(nèi)核的配置、針對(duì)硬件平臺(tái)對(duì)應(yīng)用程序的編寫和實(shí)現(xiàn)。第2章 語音端點(diǎn)檢測算法的分析及其優(yōu)化 語音分析的一般方法計(jì)算機(jī)語音分析是計(jì)算機(jī)語音處理的一個(gè)重要內(nèi)容，也是計(jì)算機(jī)語音合成及語音識(shí)別的基礎(chǔ)[8]。例如：利用帶通濾波器組法來進(jìn)行計(jì)算機(jī)語音識(shí)別，其先決條件是要弄清楚語音的共振峰的幅值、個(gè)數(shù)、頻率變化范圍及其分布情況。國外的經(jīng)驗(yàn)說明，語音分析的工作必須先于其它的語音處理工作。語音分析有時(shí)域分析、頻譜分析和語譜分析3種方法。 時(shí)域分析法時(shí)域分析是最早被使用的一種方法，也是應(yīng)用范圍最廣泛的一種方法。語音的時(shí)域分析采用時(shí)域波形圖，一般來說，橫坐標(biāo)是時(shí)間，縱坐標(biāo)是幅值。2．時(shí)域波形語音信號(hào)的數(shù)字處理實(shí)現(xiàn)起來比較簡單。4．分析語音信號(hào)的時(shí)域波形圖，所采用的方法較為簡單。圖21 音頻時(shí)域波形圖 The plot of audio in time domain 頻域分析方法頻域分析是常用的第二種語音分析方法。常用的頻域分析方法有帶通濾波器組法、傅立葉變換法、線性預(yù)測法等幾種。圖22 音頻頻域波形圖 plot of audio in frequency domain頻域分析方法的特點(diǎn)是：1．語音信號(hào)的頻譜波形不太容易受外界環(huán)境的影響，而時(shí)域波形易隨外界環(huán)境變化。3．頻域分析容易獲得某些重要的音頻特征參數(shù)，如信息嫡、帶寬、共振峰等。 語譜分析法利用語譜圖是第三種語音分析方法。語譜圖的橫坐標(biāo)是時(shí)間，縱坐標(biāo)是頻率，黑度是第三個(gè)坐標(biāo)，表示音強(qiáng)。語譜分析法的特點(diǎn)是：1．它是時(shí)間、頻率、音強(qiáng)的三位顯示圖，同時(shí) 也是時(shí)域波形與頻譜圖的結(jié)合。從語譜圖中可以得到一些頻域分析參數(shù)（如共振峰、基音周期等）隨語音發(fā)生過程（時(shí)間）的變化情況，這是前兩種分析方法所沒有的。4．由于語譜圖具有不同的黑白程度，形成不同的花紋，這種花紋被稱作聲紋。論文中用到了時(shí)域分析方法和頻域分析方法，分別提取分析了時(shí)域和頻域中的一些重要音頻特征參數(shù)。 語音端點(diǎn)檢測算法的分析隨著越來越多的學(xué)者對(duì)語音端點(diǎn)檢測技術(shù)的關(guān)注，大量新的語音端點(diǎn)檢測算法相繼被提出。主要幾類方法各自的優(yōu)點(diǎn)與不足列于表21。主要體現(xiàn)在對(duì)環(huán)境條件的依賴性很強(qiáng)，繼續(xù)要保持測試條件和訓(xùn)練條件的一致性，否則系統(tǒng)性能嚴(yán)重下降。2．噪聲問題，在強(qiáng)噪聲干擾環(huán)境下語音端點(diǎn)檢測困難。然而，當(dāng)語音處理由實(shí)驗(yàn)室走向?qū)嶋H應(yīng)用時(shí)，環(huán)境噪聲的存在所帶來的問題就變得越來越重要。4．為了更好的應(yīng)用，理想的端點(diǎn)檢測應(yīng)具備以下特點(diǎn)：可靠性、魯棒性、低的存儲(chǔ)器和計(jì)算資源消耗、實(shí)時(shí)性、自適應(yīng)性和不需要對(duì)噪音的先驗(yàn)知識(shí)等[9]。并比較了各自的檢測性能，筆者針對(duì)不同的噪聲類型，采用相應(yīng)比較合適的端點(diǎn)檢測算法從而取得更好的檢測結(jié)果。而法國學(xué)者I．Daubechies和S．Mallat把這一理論引入工程應(yīng)用，特別是信號(hào)處理領(lǐng)域。簡而言之，小波就是小范圍的波。因此，小波變換是一種變分辨率的時(shí)頻聯(lián)合的分析方法。在小波理論的發(fā)展過程中，一些已發(fā)展起來的問題經(jīng)常用小波變換作為理論基礎(chǔ)，看成是從不同角度應(yīng)用小波所得的特例。這些工程應(yīng)用領(lǐng)域大大豐富了小波變換的實(shí)用意義，也促進(jìn)了小波分析理論的進(jìn)一步發(fā)展。二維情況下它除了“顯微”能力外還具有“極化”能力（即方向選擇性），因而引人注意。目前，小波在信號(hào)處理、圖像分析、模式識(shí)別、通信、地震勘測、量子物理、電磁場、機(jī)械工程、流體力學(xué)、分形、光學(xué)、數(shù)值計(jì)算、語音識(shí)別、機(jī)器人視覺等領(lǐng)域都得到了廣泛的應(yīng)用。的小波變換如式(21)所示。符號(hào)代表內(nèi)積，它的含義（上標(biāo)*代表取共扼）如式(22)所示。和都是連續(xù)變量，因此成為連續(xù)的小波變換（Continuous Wavelet Transform，簡記為CWT）。我們可以證明，若采用小波滿足容許條件，則連續(xù)小波變換存在著逆變換。因此小波變換的逆變換公式不是惟一的。 (23)在半平面上各點(diǎn)小波變換的值是相關(guān)的。 (24)式中如式(25)所示。 離散小波變換在實(shí)際應(yīng)用中，為了方便用計(jì)算機(jī)進(jìn)行分析、處理，信號(hào)都要離散化為離散序列，和也必須離散化，稱為離散小波變換，記為DWT(Discrete Wavelet Transform)。1．尺度的離散化。 (26)2．位移的離散化。為了防止信息的丟失，我們要求采樣間隔滿足Nyquist采樣定理，采樣率大于等于該尺度下頻率通帶的二倍。所以在尺度下，由于的寬度是的，同時(shí)也不會(huì)引起信息的丟失。 (27)離散小波變換定義為如式(28)所示。如果采用對(duì)數(shù)坐標(biāo)，以為坐標(biāo)單位，則的離散值如圖23縱軸所示。 (29)我們把軸用歸一化，于是有式(210) (210)此時(shí)，對(duì)應(yīng)的為 多分辨率分析我們把平方可積函數(shù)看成是某一逐級(jí)逼近的極限情況。函數(shù)空間作逐級(jí)二分解產(chǎn)生一組逐級(jí)包含的子空間，如式(211)所示。當(dāng)時(shí)，函數(shù)空間的劃分如圖24所示。當(dāng)時(shí)，即空間最終剖分到空集為止。 (212)進(jìn)一步要求函數(shù)空間剖分還應(yīng)具有以下兩項(xiàng)特性：1．位移不變性。 (213)2．二尺度伸縮性。 (214) 子帶平均能量方差子帶平均能量方差的語音端點(diǎn)檢測算法針對(duì)主要由高斯白噪聲[13]組成的背景噪聲提出的一種算法。因此該算法利用噪聲與語音頻率特性的不同，采用小波變換作為工具來實(shí)現(xiàn)語音端點(diǎn)檢測。由此看來，分析與研究語音信號(hào)的處理，總離不開對(duì)信號(hào)與噪聲的分析。加性噪聲（簡稱噪聲）的來源，一般可分為人為噪聲、自然噪聲和內(nèi)部噪聲。某些類型的噪聲是確知的，例如電源哼聲、自激振蕩、各種內(nèi)部的諧波干擾等。另一些噪聲則往往不能準(zhǔn)確預(yù)測其波形。隨機(jī)信號(hào)與隨機(jī)噪聲均可歸納為依賴于時(shí)間參數(shù)的隨機(jī)過程，這種過程的基本特征是，它是時(shí)間的函數(shù)，但在任一時(shí)刻上觀察到的值卻是不確定的，是一個(gè)隨機(jī)變量。表示一個(gè)隨機(jī)過程，則在任意一個(gè)時(shí)刻上是一個(gè)隨機(jī)變量。 (215)如果存在式(216)，則稱為的一維概率密度函數(shù)。的維分布函數(shù)被定義如式(217)所示。顯然，越大，用維分布函數(shù)或維概率密度函數(shù)去描述的統(tǒng)計(jì)特性就越充分[15]。也就是說，如果對(duì)于任意的正整數(shù)和任意實(shí)數(shù)，隨機(jī)過程的維概率密度函數(shù)滿足式(218)，則稱是平穩(wěn)隨機(jī)過程。 (218)隨機(jī)噪聲中的起伏噪聲是熱噪聲，散彈噪聲以及宇宙噪聲為代表的噪聲。實(shí)踐證明起伏噪聲服從高斯分布律，且在一般的工作頻率范圍內(nèi)，它具有平坦的功率譜密度。所謂高斯過程，即指定它的任意維概率密度如式(219)所示。 (221)行列式中元素的代數(shù)余因子，如式(222)所示。 (222)由上式可以看出，由于正態(tài)隨機(jī)過程的維分布僅由各隨機(jī)變量的數(shù)學(xué)期望、方差和兩兩之間的歸一化協(xié)方差函數(shù)所決定[16]。屬于平穩(wěn)隨機(jī)噪聲的高斯白噪聲是自然界存在最普通的噪聲也是不可避免噪聲，因此實(shí)現(xiàn)它與語音的區(qū)分對(duì)于端點(diǎn)檢測的實(shí)現(xiàn)具有決定性的意義。由高斯白噪聲特點(diǎn)可知，該噪聲在相當(dāng)寬的頻率范圍內(nèi)具有平坦的功率譜密度。平穩(wěn)隨機(jī)噪聲的幅頻特性如圖25所示。這就為我們進(jìn)行端點(diǎn)檢測提供了可行的方法。在語音段，由于信號(hào)能量主要分布于低頻部分，所以各個(gè)頻段平均能量的方差較大。語音的幅頻特性如圖26所示。圖25 平穩(wěn)隨機(jī)噪聲的幅頻特性 amplitudefrequency characteristic of stationary random process圖26 語音的幅頻特性 The amplitudefrequency characteristic of speech 利用小波分析進(jìn)行端點(diǎn)檢測1．Daubechies(dbN)小波。小波和尺度函數(shù)中的支撐區(qū)[17]為，的消失矩為（除外），不具有對(duì)稱性（即非線性相位）。令，其中，為二項(xiàng)式的系數(shù)，得式(223)。2．算法原理。圖27 小波分析的頻域劃分 The frequency domain partition of wavelet analyze該圖表示對(duì)一個(gè)信號(hào)進(jìn)行了三層小波變換，和是經(jīng)過三層小波變換后得到的小波子帶，其中，和從高到低依次為小波變換后得到的原信號(hào)的高頻信息，為小波變換后得到的原信號(hào)的低頻信息。而噪聲在各個(gè)子帶內(nèi)的平均能量分布均勻。 (224)式中表示小波層數(shù)，表示第層所含的小波系數(shù)的數(shù)量，表示第層第個(gè)小波系數(shù)。 (225)式中表示小波層數(shù)。 (226)下面我們以一段如圖28所示的語音信號(hào)作為實(shí)驗(yàn)數(shù)據(jù)進(jìn)行實(shí)驗(yàn)。根據(jù)式(26)，選取db3作為小波基函數(shù)對(duì)待測信號(hào)進(jìn)行四層小波變換，得到小波系數(shù)。計(jì)算所得的帶噪語音相對(duì)應(yīng)的子帶平均能量方差如圖210所示。在Windows操作系統(tǒng)下使用MATLAB進(jìn)行算法仿真，仿真成功后編程實(shí)現(xiàn)。根據(jù)各自語音信號(hào)的能量把它們加入相應(yīng)不同能量的高斯白噪聲，加入后的語音信噪比分別為15db、10db和0db，用不同信噪比下的語音