dsp声控收音机设计(原理框图+电路图+流程图) 第2页
空间 中，设有复杂曲线L（如语音信号波形），以长度为r的直线段去测量L，设需要的线段数为N ®，则使得测量值 不依赖于r的大小而取有限值的实数d，则称d为平面图形L的分形文文数。即：
（C为常数 ） (1-4)
亦即： (1-5)
由于直接应用（1－5）式求时间序列信号的分形文文数d是很困难的。因此，一般都将上述平面图形L的分形过程改用盒分形或网格分形。由于网格分形是一种简单实用的图形分形方式，特别适合于计算机进行数字处理，在数字图像和语音处理中也有人进行了研究和应用。
将语音信号x(t)数字化为x(i)，并将其按一定时间长度进行分帧处理。考虑到语音的特点，在20ms内信号近似平稳。同时又兼顾计算量和信号x(i)的时变性，帧长一般控制在128点左右（分形的理论要求是长度K要长，K→∞），即 ，组成第k帧信号 。
令 （1-6）
（1-7）以及 (1-8) (1-9)
， 分别表示用宽度为 及 的正方形网格覆盖第k帧信号图形所需要的网格格子数。
则x(i)第k帧的短时分形文文数 为：
(1-10)
(1-10)式是用于动态计算x(i)的分形文文数的近似平均算法。
设x(i)是数字化的噪声语音信号的时间序列，s(i)和n(i)分别表示语音信号和加性噪声的时间序列：x(i )=s(i)+n(i) (1-11)
实际噪声语音处理过程中，(1-11)式的x(i)是唯一能得到的数据信号，s(i)和n(i)是不可分离的。语音端点的检测就是要在可测量和可获得的数据x(i)中判定语音s(i)的起止点（端点）。
由于噪声语音信号x(i)在语音段，特别是语音中韵母声音信号期的图形较高频噪声信号（如白噪声）的图形具有较大的周期性和规则性，也就是说语音信号的分形文文数较白噪声的分形文文数要小。所以，信号的短时分形文文数具备噪声语音本文源自辣-文论文网信号的端点检测能力。白噪声段的分形文文数要比语音段信号的分形文数大，噪声段的分形文文数大约为：dF=1。201578左右，而语音段的分形文文数大约在dF=1。065891～1。173043之间。因此，时序信号的短时分形文文数是时域中用于提取信号特征的一种有效方法。
一个1阶自回归平滑滤波器的数学表达式为： (1-12)
式中，x(i)为噪声语音信号，y(i)是滤波后的输出信号，α为平滑滤波的控制参数。在噪声语音的滤波中，α参数应根据输入的信号是语音还是噪声进行大小自动调整，即α应具有自适应能力，要能根据输入信号的特征动态地调整α值。假设α参数是x(i)信号的短时分形文文数dF的函数，即 。自适应滤波的α应随输入信号x(i)的不同帧而不同，即 。当滤波器输入信号为噪声时， 较大， 取值应小，而输入信号处于语音段时， 较小，则 取值要大。为了使算法应用于DSP，取 与 的函数关系为分段线性关系，如图2所示。图2中 =1。17作为判定输入信号语音段和噪声段的门限值参数。
图2 与 的关系
1.2.2采用VQ/HMM的自学习语音识别系统
隐马尔可夫模型是一个双重随机过程的统计模型，其基本随机过程是隐藏起来观测不到的，另一个随机过程则产生观测序列。设： 为观测序列； 为状态序列；T为语音长度（以帧为单位）； 为第i个状态，N为状态数； 为第k个码矢，M为量化器阶数；又HMM模型 ，其中，状态转移概率矩阵 ， ；观测序列分布概率矩阵 ， ， 。
定义：前向概率 ；
后向概率
对于语音识别系统，观测序列O就是矢量量化后的结果序列，模型 就是有训练语音得到的模板。语音的训练过程就是产生模板 的过程，而语音的识别过程就是求出在模板 下待识别语音的结果序列O的条件概率 。由 和 的定义可直接得到： 。而语音的训练算法则较复杂，目前都采用迭代的方法得到A和B的近似解。迭代公式： （1-13） （1-14）
在实际应用中，仅对词条的少数次发音进行训练的语音识别系统，不可能对各种复杂语境下的不同发音都有较高的识别率。某些较陈旧毕业论文
http://www.751com.cn/的识别算法如动态时间弯曲法，只能把单词的多次训练发音形成多个模板，造成模板数量成倍增加，影响系统的实时性。而HMM能够对一个词的多个训练序列进行有效的融合而形成一个模板。当训练发音的数量增多时，只会造成训练过程的计算量增大，而不会使识别过程的计算量有丝毫的增加，这对系统的实时性是相当有利的。设K个训练序列： 式中 是第k个训练序列，计算A和B的迭代公式只要修改如下：
上一页 [1] [2] [3] [4] [5] 下一页
dsp声控收音机设计(原理框图+电路图+流程图) 第2页下载如图片无法显示或论文不完整，请联系qq752018766
