搜索资源列表
pufangcha
- 频谱方差在语音信号端点检测中的应用,matlab程序,实用。-spectrum of the voice signal variance endpoint detection, the application procedures Matlab and practical.
lpccovar
- lpc协方差 lpc协方差 lpc协方差 lpc协方差
1-4
- 为均衡带限信号所引起失真的横向或格型自适应均衡器(其中横向FIR系统长M=11), 系统输入是取值为±1的随机序列 ,其均值为零;参考信号 ;信道具有脉冲响应: 式中w用来控制信道的幅度失真(w = 2~4,例如,取w = 2.9,3.1,3.3,3.5等),而且信道受到均值为零、方差为 (例如,取 ,相当于信噪比为30dB)的高斯白噪声 的干扰。试比较基于下列五种算法自适应均衡器在不同信道失真、不同噪声干扰下的收敛情况(对应于每一种情况,在同一坐标下画出其学习曲线): 横向/格
WienerScalart
- 基于Wiener滤波的语音消噪Matlab源程序 调用方式: output=WienerScalart96(signal,fs,IS) signal--输入含噪语音 fs----语音信号采样率 IS----起始静音端,用来估计噪声方差(秒做单位,默认是0.25秒)
LMS
- 针对自适应阵列天线所提出的各类自适应算法-最小均方差算法。
pinpufangcha
- 基于频谱方差的端点检测,已经实际验证通过,大家可以放心使用
Speeching
- 端点检测算法采用现阶段比较精确的时频方差检测法,模式识别和模板匹配采用的是改进后的DTW算法(主要是限定了DTW的搜索路径,进一步精确了DTW的平行四边形的形状,进一步的减少匹配中的参数存贮量以及多余的搜索路径)。
0-9(Speech-Recogenition)用matlab仿真0到9十个数字的语音识别
- 用matlab仿真0到9十个数字的语音识别 1、对语音的WAV文件和LAB文件进行处理,产生十个文件,每个文件对应于一个数字,存贮着该数字的波形文件。(shujuzhengli.m) 2、分别利用上面十个文件训练出十个HMM模板,具体方法是:首先将语音的波形文件分帧,以128个点为一帧,帧移为64,每一帧通过mfcc.m计算出13个系数,随着波形的长度不同,一个语音文件可以计算得到13*N个系数,截取13*15的矩阵(mfcc系数)用作训练数据。一般一个HMM模板用20组mfcc系数
LPCC
- 语音识别中的LPCC特征提取,其中包括经典的算法函数如Durbin,协方差函数求法等,对学习提取特征参数非常有用。-feature extract of LPCC in speech recognition.I am sure you will love it ,if you are major in it.
endpoint_detection_with_noise
- 提出了一种基于时频方差和的语音端点检测算法。实验证明该算法能够在低信噪比的情况下,准确地检测出语音信号-Proposed based on time-frequency variance and Speech Endpoint Detection Algorithm. Experiments show that the algorithm at low SNR cases, accurately detect the speech signal
specbandvar
- 频带方差的语音识别技术,在MATLAB的环境下进行的仿真-just do it
specbandvar_SingleVoice
- 基于频率方差和子带分离的语音端点检测程序,基于matlab开发-based on specband var Vad detection programe,using matlab
znorm
- 通过一些额外的语音对训练好的说话人模型进行测试统计出其输出评分的均值和方差(u,δ)当真正进行测试时,对输出模型的分数score,用规整之后的score =(score-u)/δ代替。使得结果更加合理。-Speaker model trained by some additional voice test statistics of the mean and variance of its output rated (u, δ) when the real test, the fraction
tnorm
- Tnorm利用大量冒充者模型来得到均值u和方差δ,再用这两个数据带入到score =(score-u)/δ得到规整化之后的分数。这样使得结果更加合理。-Tnorm impostor model to get mean u and variance δ, then these two data into the score ' = (score-u)/δ score after regularization. This makes the results more reasonable.
train
- 基于BP网络和多特征的语音端点检测,提取自相关函数最大值和频带方差作为BP网络输入,输出判断是否为语音信号。(A Speech Endpoint Detection Algorithm Based on BP Neural Network and Multiple Features)