搜索资源列表
speech_analysis
- 这时一个语音特征提取的程序源码，除了包含矩阵运算和矢量运算外，还包含了很多语音特征的提取算法，包括：共振峰(formant)提取、基音(pitch)提取、端点(endpoint)检测、线性预测系数(LPCC)、MFCC、LSF、PLCC、EPOCH等。这是我见到的最全的语音分析源码，推荐！-Then a voice feature extraction procedures source, in addition to containing matrix and vector operation
lpcdaopu
- 可以求出语音信号的LPC倒谱特征向量，该特征向量在语音信号分析中得到了广泛的应用。-voice signal can be obtained by LPCCEP eigenvector, the eigenvector of the voice signal analysis has been widely used.
1
- 摘要：一般的说话人识别系统包括特征提取和识别模型两部分，其中特征参数的选择对系统 的识别性能有关键性的影响，现就特征提取展开研究，介绍了各种常用的语音特征参数及目前 主流的两种参数的提取过程，并论述了小波分析应用于语音特征参数提取中的优势
123456
- 通过分析语音特征参数的特点和说话人识别的基本方法，利用 DSP的硬件平台，以线性预测倒谱系数为 特征参数提取算法以及 隐马尔可夫模型为建模算 法，实现 电子语音锁 的系统设 计。实验 结果表 明系统在 内部模 型 数小于 1O时识别精度高 ，达到 安全保 密的要求。
STRAIGHT语音分析与合成技术
- 近几年来，在自然语言处理、信号处理、随机过程处理等方法的推动下，语音分析与合成技术获得了很大的发展，突破了传统的单纯语音计算算法的研究。情感语音分析与合成的研究，适应了语音技术的未来发展趋势,由于它能够很好的将语音的口语分析、情感分析与计算机技术有机的融合，为实现以人为本，具有个性化特征的语音合成系统，奠定基础。-STRAIGHT[1] is a high-quality speech analysis, modification and synthesis system based on a
praat5107_sources.语音识别中语音特征参数提取的工具
- 语音识别中语音特征参数提取的工具，对于语音参数分析有很好的作用,Speech recognition speech feature extraction tools for speech parameter analysis, have very good effect
hhh
- ：由于许多传统的去噪方法在强背景噪声情况下提取声音信号的能力变弱甚至失效， 提出 应用独立成分分析( I C A) 方法对声音信号进行特征提取， 并证明了这种 I C A 变换能增强语音和音 乐信号的超高斯性． 在此基础上， 应用 I C A基函数作为滤波器， 通过阈值化的去噪方法对含有强高 斯背景噪声的声音信号进行去噪仿真实验． 结果表明， 本方法明显优于传统的均值滤波和小波去噪 方法， 为强背景噪声下弱信号的检测提供 了新的途径．-: As many of the t
nannvshengshibie
- 本文通过对男性和女性声音的语音特征的研究，发现男女声的基音频率存在较大的差异，并设计了基于基音频率分析的男女声识别系统。男女声识别系统由以下三个模块电路构成：话筒放大器，低通滤波器，半波整流电路，单片机测量控制模块。话筒放大器采用NE5532P音前置芯片，对语音信号进行放大；八阶低通滤波器MAX293完成基音信号的提取；单片机STC12C5410AD实现频率测量和控制输出功能。经仿真与电路实测，男女声的识别效果良好。-In this paper, the voices of male and f
speech
- 本文首先总结了现有典型的语音端点检测算法，分析了其中几种 端点检测算法所选用的特征，给出了仿真结果和一些改进。随后提出 了噪声环境下两种语音端点检测新算法。算法一:从基于人耳的听觉 系统出发，对Mel标度滤波器组进行研究，提出了语音信号的一种新 的自适应时频参数，该参数既考虑了声道响应，又符合人耳听觉特性， 仿真结果表明了它的优越性。算法二:结合抗噪性能好的Mel倒谱距 离和多带能量嫡特征提出了一种改进的孤立词端点检测算法，该算法 不需要估计背景噪声来调整门限闽值，仿
DTWspeech
- 本 文 首先 介绍了语音识别的研究和发展状况，然后循着语音识别系统的 处理过程，介绍了语音识别的各个步骤，并对每个步骤可用的几种方法在实 验基础上进行了分析对比。研究了语音信号的预处理和特征参数提取，包括 语音信号的数字化、分帧加窗、预加重滤波、端点检测及时域特征向量和变 换域特征向量.其中端点检测采用双门限法.通过实验比对特征参数的选取， 采用12阶线性预测倒谱系数作为识别参数。详细分析了特定人孤立词识别算 法，选定动态时间弯折为识别算法，并重点介绍其设计实现。 在
LPC-code
- 基于LPC的语音特征参数分析源码，很好的学习源码-Based on the analysis of the phonetic features parameters LPC rules, good study the source code
MFCC
- 为了实现高速语音特征参数的提取，在分析了美尔频率倒谱特征参数提取算法的基础上，提出了算法的硬件 设计方案，介绍了各模块的设计原理。该方案增加了语音激活检测功能，可对语音信号中的噪音帧进行检测，提高了特征参 数的可靠性。-In order to achieve high-speed voice characteristic parameter extraction, in the analysis of Mel frequency cepstral feature extraction a
chapter1
- BP神经网络的数据分类——语音特征信号分类(Data classification of BP neural networks -- Classification of speech characteristic signals)
15810493voice_recognition
- 提取声音基频，对于语音识别和语音频谱分析提供一定便利(Extraction voice frequency)
案例1 BP神经网络的数据分类-语音特征信号分类
- 基于BP神经网络的聚类分析数据分类例如语音信号识别(Clustering analysis based on BP neural network)
案例1 BP神经网络的数据分类-语音特征信号分类
- MATLAB神经网络案例分析 BP神经网络的数据分类-语音特征信号分类(MATLAB BP Neural Network - Classification of Speech Characteristic Signals)
voice_wav_frequency
- matlab语音信号分析时域频域，加窗，降噪滤波，端点检测，时域特征和频域特征提取(Matlab speech signal analysis in time domain, frequency domain, windowing, denoising, filtering, endpoint detection, time domain feature and frequency domain feature extraction.)
audio_tezheng
- 语音信号的时域、频域与倒谱域分析。 1.分析一帧清音和浊音的自相关函数和倒谱系数 2.用Matlab画出该段语音的时域波形、短时能量、短时平均幅度、短时过零率、短时过电平率 3.选择一帧无声、清音和浊音的语音，用Matlab画出它们的对数幅度谱(Time domain, frequency domain and cepstrum domain analysis of speech signals. 1. Analyze the autocorrelation function and c
《MATLAB 神经网络43个案例分析》源代码&数据
- 《MATLAB 神经网络43个案例分析》全书源代码和数据，注释详细，神经网络学习很有帮助。内含《MATLAB 神经网络43个案例分析》目录:第1章BP神经网络的数据分类语音特征信号分类;第2章 BP神经网络的非线性系统建模-非线性函数拟合等。(Analysis of 43 Cases of Neural Network in MATLAB source code data, detailed comments. Included in the catalogue of 43 Cases Anal
Matlab神经网络方面案例分析
- BP神经网络的数据分类——语音特征信号分类,可以帮助到学习Matlab的人们