５４

２００８，４４（２２）

ｃｏ，印Ⅱ御’Ｅ，铆船ｅｒｉｎｇ肌ｄＡ即比越幻瑚计算机工程与应用

语音信号特征提取中Ｍｅｌ倒谱系ＭＦＣＣ的改进算法

张震，王化清

ＺＨＡＮＧ

Ｚｈｅｎ，ＷＡＮＧＨｕａ—ｑｉｎｇ

郑州大学，郑州４５０００ｌ

ＺｈｅｎｇｚｈｏｕＵｎｉｖｅ侣ｉｔｙ，ｚｈｅｎｇｚｈｏｕ４５０００ｌ，Ｃｈｉｎａ

Ｚ姒ＮＧ

Ｚｈｅｎ．ＷＡＮＧＨ岫一ｑｉｎｇ．ＩＩＩＩｐｒｏｖｅｄ

ｂａｓｅｄ蚰ｖｏｉ∞ｓｉ印ａＩ．Ｃｏｍｐｕ钯ｒ

Ａｂｓｔｍｃｔ：Ｅｘｔｒ∞ｔｉｎｇｉｎｄｉｖｉｄｕａｌ

Ｅ咖ｒｉ呜ａｎｄ

ｏｆ

ｔｈｅ

ａｌｇｏｒｉ岫Ｉ

ｏｆＭｅＩ－Ｆ他ｑｕｅ眦ｅＣｅｐｓｔｒａｌ

Ｃ∞ｍｃｉｅ吣ｉｎｃｈａⅢｔｅｒｉｓ６璐ｅｘｔｒａｃｔｉｏｎ

ＡｐｐＩｉｃａｌｊｏ璐，２∞８，４４（２２）：５４－５５．

ｔｈｅ

ｔｒａｉｔｓ

ｓｐｅａｋｅ璐ｆｍｍｔｈｅ打ｖｏｉｃｅ８

ｉｓ

ｋｅｙ

ｏｆＶｏｉｃｅｐｒｉｎｔ

ｒｅｃｏｎｇＩｌｉｔｉｏｎ．ｎｉｓ

ｃｏｕｎｔ

ｐａｐｅｒｃｈｉｅｎｙ

ｉｎｔｌｌｏｄｕｃｅｓＭｅｌ—ＦｒｅｑｕｅｎｃｅＣｅｐｓｔＩｍＣｏｅｍｃｉｅｎｔｓａｎｄ“’ｓｉｍｐｍｖｅｄａｌｇｏｒｉｔｈｍ（３（７＋１），ａｎａｌｙｚｅｓａｎｄｇｉｖｅｓｄｅｔａｉｌｅｄ

ｐｍｃｅｓｓ，ａｎｄ

ａｌ∞ｇｉｖｅｓｔｈｅｄｉｆｆｅｒｅｎｃｅｓｆ而ｍｔｈｅｎｏｍａｌ

ａｌｇｏｒｉｔｈｍ

ｂｙｅｘｐｅｒｉｍｅｎｔ．

Ｋｅｙ帅ｒｄｓ：ｖｏｉｃｅ

ｒｅｃｏｇＩＩｉｔｉｏｎ；ｃｈａｒａｃｔｅｒｉｓｔｉｃｓ

ｅｘ咖ｔｉ叩；Ｍｅｌ—ＦｒｅｑｕｅｎｃｅＣｅｐ涮Ｃ∞佑ｃｉｅＩｌｔｓ（ＭＦＣＣ）

摘要：从说话人的语音信号中提取说话人的个性特征是声纹识别的关键。主要介绍语音信号特征提取方法中的Ｍｅｌ倒谱系数（Ｍｅｌ—Ｆｒｅｑｕｅｎｃｅ

ｃｅｐｓｔｒａｌ

ｃｏｅｍｃｉｅｎｔｓ，ＭＦｃｃ）的特点及其改进算法（３Ｑ＋１），分析给出了较详细的计算过程并通过实验比较了其和

传统算法在语音识别系统中的差别。关键词：语音识别；特征提取；ＭＦＣＣＤｏＩ：１０．３７７８，ｊ．ｉｓｓｎ．１００２—８３３１．２００８．２２．０１５

文章编号：ｌ００２—８３３１（２００８）２２—００５４－０２

文献标识码：Ａ

中图分类号：ＴＮ９１２．３

语音信号的特征矢量在频域上主要有线性预测系数（ＬＰＣ），ＬＰＣ倒谱系数（ＬＰｃｃ），ＭＥＬ频率倒谱系数（ＭＦＣｃ）。ＬＰＣｃ逼近人类发声机理但对于辅音的描述能力较差，抗噪声性能较差。ＭＦｃｃ充分考虑人耳听觉结构和人类发声和接受声

厶＝２

５９５ｌｇ（１＋二）如图ｌ所示（其中横坐标为线性频率，纵

３５００３０００２５００

坐标为Ｍｅｌ频率）。

音的机理特性具有很好的鲁棒性。而且在没有任何假设前提条件，其具有较好的识别性能和抗噪能力。但标准的ＭＦｃｃ只反

映ｒ语音参数的静态特性，而人耳对语音的动态特性更为敏感，

气２０００蓦ｌ５００

ｌ０（）０５０００

Ｆｒｅｑｕｅｎ。ｙ，Ｈｚ

本系统特色是引入一阶差分（埘彤ｃ），二阶差分（△△Ｍ粥ｃ）再

加Ｅ时域特征信息的帧能量参数构成了（３ｐ＋１）维的特征矢量，更好地消除了语音帧之间的相关性，更优的逼近语音的动态特征，大大提高了识辨率。

根据生理学的研究成果表明，人耳对不同频率的声波有不同的听觉灵敏度。从２００—５

０００

图ｌＭｅｌ标度与频率的关系

Ｈｚ之Ｉ’日】的语音的清晰度影响

１传统特征提取计算方法

ＭＦｃｃ特征参数提取及计算如图２所示。特征提取及计算过程：

（１）原始语音信号ｓ（ｎ）经过预加重、分帧、加窗等处理得到每个语音帧的时域信号ｘ’（ｎ）。预加重目的是为了对语音的高频部分进行加重增加其高频分辨率，一般通过传递函数为Ⅳ（：）＝ｌ－０澎～，ｎ取０．９７；根据语音信号短时平稳的特性，通过分帧操作提取语音短时特性便于建模，一般取帧长３０ｍｓ此时帧移ｌＯｍｓ；为了平滑信号以减少每帧信号两端的预检测误差。避免频谱出现“破碎”现象采用加窗处理。每帧用窗函数相乘以减少帧起始和结束处的信号不连续性。在语音信号的时域分析

Ｈｅｎ锄ＰｍｖｉｎｃｅｕｎｄｅｒＧｍｎｔＮｏ．０３２４４ｌ００９２）。

最大。听觉系统有两个关键特征：

（１）人耳对于声波频率的感觉呈现对数关系；

（２）一个声音月被感知的域值由于另一个声音Ｂ的出现而提高。即所谓的掩蔽效应。也就是说．当两个频率相近的音调同时发出时，人只能听到—个音调。掩蔽效应的生理依据是频率群，在２０￣１６０００Ｈｚ范围内的频率可以分成２４个频率群。

因此在进行声学测量时，频率刻度常取为非线性刻度。实验表明，人类在对约ｌ０００Ｈｚ以上的声音频率范围的感知遵循在对数坐标上的近似线性关系，Ｍｅｌ刻度是根据丰观音高均匀划分是最合理的频率刻度。Ｍｅｌ频率与线性频率的转换关系为

摹食项日：河南省科技攻关摹金项目（１１１Ｐ

ｓｃｉｅｎｃｅ舳ｄ‰ｈｎｏｌｏｇｙ

Ｆｏｕｎｄａｔｉｏｎｏｆ

作嚣简介：张震（１９６６一），男，副教授，硕士生导师，主研通信与信息ｔ程、图像处理与模式识别等；王化清，男，研究生．主研信号处理、声纹识别。

收稿Ｕ期：２００７一ｌ㈣９

万方数据　

修叫Ｕ期：２００７一１２—２４

张震，王化清：语音信号特征提取中Ｍｅｌ倒谱系ＭＦＣＣ的改进算法２００８，４４（２２）５５

图２ＭＦＣｃ计算漉程

来ｉ兑，窗函数的形状很重要。虽然矩形窗平滑比较好，但容易使波形细节丢失．并且会产生泄露现象，而Ｈａｍｍｉｎｇ窗则能有效地克服泄露现象，所以，在声纹认汪中加窗的方法大致以Ｈａｍ—ｍｉｎｇ窗最为常见，本系统也采用Ｈａｍｍｉｎｇ窗（系统采用＾，＝４１０

／，＾，ｎ＼

点）：埘（，１）＝ｏ．５４＿ｏ．４６‘：ｏｓＩ：ｊＩ＼，Ｖ—ｌ

ｌ（ｏ≤ｎ≤肛１）。，

（２）端点检测是语音识别中的一个重要环节，有效的端点检测方法不仅可以减少数据的存储量和处理时间，而且可以排除无声段的噪声干扰使语音识别更为准确．在众多的方法中采用传统的基于短时能量和短时过零率的检测算法（双ｆＪ限比较法）。无声段的短时能量为零，清音段的短时能量又比浊音段短时能量大，而在过零率方面理想的情况是无声过零率为零。浊音比清音过零率大的多。根据语音的特点设置较低较高两个门

限值，低门限（％％）数值较小，对信号的变化较敏感很容易被

超过。高¨限（７０％）数值较大，信号必须达到一定的强度该门

限才可能被超过。低门限被超过可能是时Ｉ’日Ｊ很短的噪声引起

的．高门限被超过则可以基本确定是语音信号引起的。由此即

可准确的监测出语音的起始端点。示意图如图３所示。

静

盼

翅删

翟鲁鹾

７０（７ｋ）

％（％）

（３）为便于计算Ｆ

Ｆ－Ｉ＇，在序列后补零以构成悄１２点再进行

＾一

一韭竺皇．

离散ＦＦｌ’变换。则第ｉ帧语言的频谱为：ｘ（｜｜｝，ｉ）＝∑ｘ（ｎ）ｅ“。

（４）将上述线性频谱ｘ（Ｊ｜Ｉ．ｉ）通过在频率范围内设置的若干个具有三角滤波特性的带通滤波器Ⅳ。（七）的Ｍｅｌ滤波器组

得到Ｍｅｌ频谱（三角滤波器特性在此不再详叙）。为了使结果对

噪声和谱估计误差有更好的鲁棒性，将得到的Ｍｅｌ频谱取对数能量得到能量谱再经滤波器输出。总传递函数为ｓ（蠡，ｆ）＝

ｌｎ（乞Ⅸ（Ｉ｜｝，ｉ）阳。（七））。

（５）将对数能量谱ｓ（＿｜｝．ｉ）经过离散余弦变换（ＤＴｃ）到倒谱域即可得到Ｍｅｌ倒谱系数ｃ肫ｆ（ｎ），肘为滤波器的个数。ｃ俐（，１）＝

篓姒川ｃ叫型等堕）（ｏ≤…）。

２对传统算法的改进

以上即为传统标准算法。标准的ＭＦｃＣ只反映了语音参数

的静态特性。而入耳对语音的动态特性更为敏感。为更好地拟

合人发声和人耳听觉的动态特性，本系统引入ＭＦｃｃ的一阶差分（△肘，℃ｃ），ＭＦＣｃ的二阶差分（△△删叼ｃ），再加卜时域特征信息的帧能量参数即构成了（Ｑ维ＭＦｃｃ参数＋帧能量）的特征

万　

方数据矢量。更好地消除了语音帧之间的相关性。更好地逼近语音的动态特征大大提高了识辨率。差分参数的计算如下：

ｄ（ｎ）＝—告∑及‰（肘￡）

＾

、佳ｉ：…‘Ｔ…＾

式中ｃ，ｄ都是一帧语音参数．Ｉ｜｝为常数通常取２，用以上公式求得的参数是当前帧的前两帧和后两帧的线性组合．即是一阶差分ＭＦｃｃ差分倒谱参数．把结果再代入上式就可以得到二阶参

数。时域能量特征用短时（帧）平均幅度表征。计算如下【埘（，１）

为窗函数即Ｈａｍｍｉｎｇ窗）：肘产∑ｋ（ｍ）ｂ（几—ｍ）＝ｋ（厅）ｂ（乃），

这样就构成了（３Ｑ＋１）维的特征矢量（即Ｍ｝℃ｃ的一阶，二阶差分参数＋帧能量）。

３实验及结果

在ＭＡｌｒＩＡＢ中，语音信号工具箱中提供了计算ＭＦＣＣ参

数的函数为脚如ｅ芦ｆ（ｓ。届）。ｓ表示语音信号。声表示采样率。本

文取ｌｌ

０２５

Ｈｚ，语音帧长度为２５６点，求２４阶的ＭＦｃｃ。其中

计算肘个滤波器的系数调用了函数胱艮ｅ＿ｐ观ｍ。该滤波器组

包含２４个滤波器。语音帧长度为２５６。信号的采样频率为

ｌｌ０２５

Ｈｚ。然后再调用差分汁算函数如丘ｍ计算一阶二阶差分

参数。

本文所采用的数据是实验室条件下用麦克风录制的单声道采样率为１６

Ｈｚ，１６

ｂｉｔ量化语音，本系统包括１０个说ｉ舌人，

其中每个说活人的１０个语音段用于构成训练样本集。６个语音段作为测试集。对所有语音段进行预加重（系数０．９７）加窗

（Ｈ踟ｍｉｎｇ窗）处理，取帧长２５６点帧移ｌＯｍｓ分别提取舰陀Ｃ，

Ｍ盹Ｃ＋＆ＭＦＣｃ，ＭＦＣＣ＋幽ＦＣＣ＋＆＆ＭＦＣｃ＋Ｍｎ特，证参数．说话

人的模型采用ＨＭＭ（隐马尔科夫模型）模型，状态数取４。每个高斯元个数取３。

识别结果为：Ｍ叼Ｃ＋△Ｍ叼Ｃ＋△△肘阳Ｃ＋朋『ｎ识别率为

９５．８３％，肘彤ｃ＋埘阳ｃ识别率为９３．３３％，肘心℃识别率为

９１．６７％，识别率肘胁△肘彤Ｃ＋△△肼咒’ｃ＋朋ｈ明显最高。

此法缺点在于计算量较大，但随着汁算机技术的飞速发

展，为大计算量ｌ’ｕｌ题的解决提供了较多简洁的方法，大计算量已经不成Ｉ．ｕＪ题。以牺牲计算量和汁算时间为代价，明显提高声音信号的ｉ｝｝别率。在声纹识别系统中已得到了广泛的应用。

４结论

通过实验比较得知：改进算法后肘阳“△／Ｍ化“△△肘彤“

朋ｈ（３ｐ＋１）特征提取的识别率高达９５．８％，识别率得到明显改善。此法从很大程度上拟合了人耳对语音处理的动态特点，而且具有一定的控噪性，在同等条件下大大提高了说话人语音识别率，其在声纹识别领域有广阔的应用前景。

（下转５８页）

５８２００８，４４（２２）

ｃｏｍｐ姚ｒＥ嚼舶ｅ矗昭∞ｄ却，）肠以协邶计算机工程与应用

４．２

Ｃｏ¨ｅ２ｅＦｏｏｔｂａｌｌＮｅｔｗｏｒｋｌ７Ｉ

ｃｏｌｌｅ胛Ｆｏ（）ｔｈａＩｌＮｅｔｗｏｒｋ模型是美国大学生足球联赛抽象出来的一个复杂｝ｃ对络模型。足球联赛中有若干支球队，网络中的节点代表一只足球队．两个节点之间的边表示两只球队之Ｉ’日Ｊ进行过一场比赛。该Ｉ嘲络模型收集于２０００赛季的比赛数据情况．由Ｇｉｒｖ粕Ｍ与ＮｅｗｍａｎＭ收集整理而成。存在１１５只球队（节点）及６１６场比赛（边）．包含了１２个联盟。通过Ｐｓ０算

（４）

法解决球队联盟划分的问题，再次表现出为一种切实可行的方法。根据实验结果，比照联赛的真实情况，划分正确率超过８０％。

各节点的边数应该远远大于社区外部连接各社区之Ｉ＇日Ｊ的边数。

因此。与—个节点相连的节点（邻居节点）与该节点在同一个社区内的可能性是很大的。通过分析每个节点的社ⅨＩＤ值及其邻居节点的社区ＩＤ值来增强划分结果的准确性。定义Ｍ７１（ｉ）表示节点ｉ的错误ｒＪ限值，假如肼ｒ（ｉ）大于某个ｆＪ限值。则该节点的划分呈现明显的错误状态。

乞（Ｉ．『）“ｉＪ）

肘烈ｉ）＝１——Ｔ＿

ｏｅｇ陀ｅ～ｌ，

其中

，。。ｄ’２Ｉ

。．．、ｆＯ

ｌ

ｃｏ，黼，Ｄ（ｉ）＝ｃｏｍｍ，Ｄ（Ｊ）

ｃｏｍ，，ｌ，Ｄ（ｉ）≠ｃｏｍｍ，Ｄ（ｉ）

按照节点号的顺序分析所有节点的肘烈ｉ）值，假如肘丁（ｉ）大于某个门限值，那么查找该节点的邻居节点的社区ＩＤ。用出现次数最多的社区ＩＤ替代该节点原有的社区ＩＤ。经过对模型的分析所得结果显示，该纠错步骤相当行之有效，极大地解决了节点错误分配的情况，弥补了Ｐｓ０算法的一些固有缺陷所带来的错误。

５结束语

复杂网络的社区结构发现已经成为当今一个非常具有挑战性的研究领域。本文中尝试用Ｐｓｒ）微粒群算法来分析网络社区结构的划分情况。研究结果表明，用该算法对复杂Ｉ碉络的分析是行之有效的。比较其他算法而言，本方法的优点在于无需预先知道复杂网络的社区数量或者社区内的节点数量。

４实验结果

为了测试本文中所提出算法的可行性，针对两个经典模型

ｚａｃｈａｒｙＫａｍｔｅ

参考文献：

【ｌ】Ｇｉｒｖ蛐Ｍ，ＮｅｗｍａｎＭＥＪ．ＣｏｍｍｕｎｉｔｙｓｔⅢｃ￡ｕ陀ｉｎｓｏｃｉａｌａｎｄｂｉｏ—

Ｉｏ矛ｃａＩｎｅｔｗｏｒｋｓ【ＣＪ，／Ｐｍｃｅｅｄｉｎ铲ｏｆＮａｔｉｏｎａｌ

２００２．９９：７８２ｌ一７８２６．

Ａｃａｄｅｍｙ０ｆ

ｃｌｕｂ和ｃｏｌｌｅｇｅＦｏｏｔｂａｌｌＮｅｔｗｏｒｋ进行了验证。

ＣＩｕｂ旧

【２１

ｓｃｉｅ眦ｅ。

４．１

ＺａｃｈａｒｖＫａｒａｔｅ

Ｃｌａｕｓｅｔｉｎ

ｖｅｒｙ

２０世纪７０年代初期，ｚａｃｈａｎｒ用了两年的时间来观察美国一所大学中的空手道俱乐部成员问的相互社会关系。基于这些成员在俱乐部内部及外部的社会关系。他构造了他们之间的关系网。在调查过程中，该俱乐部的主管与校长之间凶是否抬高俱乐部收费的问题产生了争执。结果，该俱乐部分裂成了两个分别以主管和校长为核心的小俱乐部。在复杂网络的社团结构分析中ｚａｃｈａ珂ｌ（ａｒａｔｅｃＩｕｂ网络已经成为—个经典的问题。

用算法去分析ｚａｃｈａｒｙ

Ｋａｍｔｅ

Ａ，Ｎｅ’哪ａｎＭＥＪ，ＭｏｏｒｅＣ．ＦｉｎｄｉｎｇｃｏｍｍｕｎｉｔｙｓｔⅢｃｔｕ陀

ｌａｒｇｅ

ｎｅｔｗｏｒｋｓｆＪＪ．ＰｈｙｓｉｃａｌＲｅｖｉｅｗＥ，２００４．７０．

【３ＪＮｅｗｍａｎＭＥＪ．Ｆ鹄ｔａ１９０ｒｉｔｈｍＲ＇ｒｄｅｔｅｃｔｉｎｇｃｏｍ咖ｎｉｔｙ８ｔｍｃｔＩＩｒｅ

ｉｎ

ｎｅｔｗｏｒⅥＪ１．ＰＩｌｙ９ｉｃａｌＲｅ“州Ｅ，２００４．６９．

Ｊ，ＥｂｅｒｈａｎＩＥＥＥ

ＲＣ．ＰａｒｔｉｃＩｅ

吲Ｋｅｎｎｅｄｙ

ｉｎｇｓ

ｓｗａ册叩ｔｉｍｉ龃ｔｉｏｎ【Ｃ∥ＰＭ ｅｅｄ—

ｏｎ

ｏｆＩｎｔｅｍａｔｉｏ眦ＩＣｏｎｆｅ地ｎｃｅＮｅｕｍｌ

Ｎｅｔｗｏｒｋｓ，Ｐｉｓ—

ｃａｔｗａｙ．ＮＪ，１９９５：１９４２一１９４８．

ｆ５】Ｅｂｅｒｈａｎ

ＲＣ，Ｋｅｎｎｅｄｙ

Ｊ．Ａ

ｎｅｗ

ｏｐＩｉＩＩＩｉ跚ｕｓｉｎｇ

ｐａｎｉｃｌｅ

ｓｗａ唧

ｏｎ

Ｃｌｕｂ网络，在很多次的计

ｔｈｅｏｒｙｌＣ】，，Ｐｍｃｅｅｄｉｎ轳“ｔｈｅＳｉｘｌｈＩｎｔｅｍａｔｉｏｎａｌＳｙｍｐｏｓｉｕｍＭｉ（！ｍｍａｃｈｉｎｅ彻ｄ［６１ＺａｃｈａｒｙＷＷ．Ａｎ

ｉｎｓｍａｌｌ４５２—４７３．

算中，除了部分进化失败的情况（如模块度ｐ＝１）以外．对该复杂网络的社区结构划分准确性超过９０％。个别不准确的情况中，节点１０被分配到了错误的社区中去，见图ｌ。

Ｈｕｍ柚ｓｃｉｅｎｃｅ。Ｎ哪ｙａ。Ｊａｐａｎ．１９９５：３９－４３．

ｉｎｆｏ咖ｔｉｏｎ

ｆｌｏｗｍｏｄｅＩｆｏｒｃｏｎｎｉｃｔａｎｄｆｉｓｓｉｏｎ

Ｒｅｓｅａｒｃｈ，１９７７，３３：

ｇｒｏｕｐｓ【ＪＪ．ＪｏｕｍａｌｏｆＡｎｔｈｍｐｏｌｏｇｉｃａＩ

【７１ＧｉｒｖａｎＭ，ＮｅｗｍｎＭＥＪ．Ｃｏｍｍｕｎｉｔｙｓｔｍｃｔｕｒｅｉｎｓｏｃｉａｌａｎｄｂｉｏ—

ｌｏ酊ｃａｌｎｅｔｗｏｒｋｓ【ＣＪ，，Ｐｒｏｃｅｅｄｉｎ伊ｏｆＮａｌｉｏｎａＩ

２（）０２．９９：７８２ｌ一７８２６．

Ａｃａｄｅｍｙ

ｏｆＳｃｉｅｎｃｅ。

１８１

Ｎｅｗ眦ｎ

ｉｎ

Ｍ

ＥＪ．Ｆ触ｔａｌｇｏｒｉｔｈｍｆｏｒｄｅｔｅｃｔｉｎｇｃｏｍｍｕｎｉｔｙ

８ｔｍｃｔｕｒｅ

ｎｅｔｗｏｒｋｓ【Ｊ１ＰｈｙｓｉｃａＪＲｅｖｉｅｗＥ，２００４，６９．

【９】曾建潮．微粒群算澍ＭＪ．北京：科学出版社，２００４．

【ｌＯＪＴｋ舀ｎ

Ｍ．Ｃｏｍｍｕｎｉｔｙ

ｄｅｔｅｃｔｉ∞删池ｌ

ｉｔｓ

ｕｓｉｎｇｇｅｎｅｔｉｃ

ａｌｇｏｒｉｔｈｍｉｎ

ｃｏｍｐｌｅｘｎｅｒｗｏｒｋ６Ｇｍｄｕａｔｅ

鲫ｄ

印ｐＩｉｃａｔｉ伽ｉｎ

浏一Ｉ如

ｎｅｔｗｏｒｋｓ【Ｄ】．

ＵｎｉＶｅｒｓｉｔｙ，

Ｐｍｇ咖ｉｎ

ＣｏｍｐｕｔｅｒＥｎｇｉｎｅｅｒｉⅡｇ，Ｂｏｇ犯ｉｃｉ

圈ｔ臣ｍ菜次计算时的社区炳分结果

２００５．

（上接５５页）

【４】杨行峻．语音信号数字处理【Ｍ１．ｊ匕京：电子工业出版社，ｌ９９５．

参考文献：

【１１王炳锡，屈单．实用语音识别基础ｌＭＪ．北京：国防工业出版社，２（）０４．【２１蔡莲红，黄得志，蔡锐．现代语音技术基础与应用【ＭＪ．｜匕京：清华大

学出版社，２００３．【３】张雄伟，陈亮，杨吉斌．现代语音技术及应用【Ｍ】．北京：机械工业出

版杜，２００３．

【５１邵央．刘阿哲．李宗葛．基于ＭＦｃｃ和加权矢量化的ｉ兑话人识别【Ｊ】．

计算机工程与应用，２００２，３８（５）：１２７一１２８．

『６】Ｆａｋｈｒ

Ｗ，ｓａＩ枷ＡＡ，Ｈ枷ｄｙＮ．Ｅｎｈａｎｃｅｍ朋ｔ

ｏｎ

ｏｆ

ｍｉｓ咖ｔｃｈｅ（１

ｒｏｎｄｉ—

ｔｉｏｎｓｉｎ

ｓｐｅａｋｅｒ”ｅｃｏｇｒＩｉｔｉ佣ｆ葫舢ｌｔｉｍｅｄｉａ印ｐｌｉｃａｔｉｏｎｓ【ＪＪＩＥＥＥ

Ａｃ叫ｓｔｉｃｓ，Ｓｐｅｅｃｈ，粕ｄ

Ｓｉｇｎａｌ

Ｐｒｏｃｅｓｓ－

ＩｎｔｅｍａｔｉｏｎａｌＣｏｎｆｅｒｅｎｃｅｉｎｇ，２００４．

万方数据　

语音信号特征提取中Mel倒谱系MFCC的改进算法

作者：作者单位：刊名：英文刊名：年，卷(期)：被引用次数：

张震， 王化清， ZHANG Zhen， WANG Hua-qing郑州大学,郑州,450001

计算机工程与应用

COMPUTER ENGINEERING AND APPLICATIONS2008,44(22)11次

参考文献(6条)

1.王炳锡;屈单 实用语音识别基础 2004

2.蔡莲红;黄得志;蔡锐 现代语音技术基础与应用 20033.张雄伟;陈亮;杨吉斌 现代语音技术及应用 20034.杨行峻 语音信号数字处理 1995

5.邵央;刘丙哲;李宗葛 基于MFCC和加权矢量化的说话人识别[期刊论文]-计算机工程与应用 2002(05)6.Fakhr W;Salam A A;Hamdy N Enhancement of mismatched conditions in speaker recognition formultimedia applications 2004

本文读者也读过(4条)

1. 张晶.范明.冯文全.董金明.ZHANG Jing.FAN Ming.FENG Wen-quan.DONG Jin-ming 基于MFCC参数的说话人特征提取算法的改进[期刊论文]-电声技术2009,33(9)

2. 袁正午.肖旺辉.YUAN Zheng-wu.XIAO Wang-hui 改进的混合MFCC语音识别算法研究[期刊论文]-计算机工程与应用2009,45(33)

3. 鲁五一.吴德华.谢志明.刘建.LU Wuyi.WU Dehua.XIE Zhiming.LIU Jian 基于听觉掩蔽效应的改进MFCC特征提取算法[期刊论文]-信息化研究2009,35(9)

4. 叶庆云.蒋佳.YE Qing-yun.JIANG Jia 基于语音MFCC特征的改进算法[期刊论文]-武汉理工大学学报2007,29(5)

引证文献(11条)

1.高建 基于HMM的连续小词量语音识别系统的研究[期刊论文]-现代电子技术 2011(11)

2.关耀铧.申凌.吴云.赵勇 音频指纹搜索中数据预处理的改进算法[期刊论文]-计算机工程与应用 2010(21)3.李建文.张晋平 基于改进语音特征提取方法的语音识别[期刊论文]-微电子学与计算机 2009(7)4.王大巍 基于Windows CE的语音口令识别系统的设计[期刊论文]-电子技术 2010(11)5.李健.戴天虹 说话人识别特征提取中改进算法的研究[期刊论文]-森林工程 2009(2)

6.于晓明.柏松 基于前向-后向HMM的连续语音识别系统的研究[期刊论文]-计算机工程与设计 2009(18)7.袁正午.肖旺辉 基于频率段的语音识别算法设计与实现[期刊论文]-计算机工程与设计 2011(2)8.袁正午.肖旺辉 改进的混合MFCC语音识别算法研究[期刊论文]-计算机工程与应用 2009(33)

9.李文.莫鸿强.田联房.阳国清.郑则广 采用MFCC和DTW的咳嗽干湿性自动分类技术[期刊论文]-计算机工程与应用2010(13)

10.石锐.郑晓平.何庆华 基于HMM-ANN的咳嗽音识别[期刊论文]-世界科技研究与发展 2012(5)11.周燕 遗传算法与BP神经网络相结合的说话人识别系统[期刊论文]-传感器与微系统 2009(6)

本文链接：http://www.77cn.com.cn/Periodical_jsjgcyyy200822015.aspx