CN117392974A - 一种基于小波阈值去噪和iceemdan综合去噪的语音识别方法 - Google Patents
一种基于小波阈值去噪和iceemdan综合去噪的语音识别方法 Download PDFInfo
- Publication number
- CN117392974A CN117392974A CN202311317556.9A CN202311317556A CN117392974A CN 117392974 A CN117392974 A CN 117392974A CN 202311317556 A CN202311317556 A CN 202311317556A CN 117392974 A CN117392974 A CN 117392974A
- Authority
- CN
- China
- Prior art keywords
- denoising
- threshold
- wavelet
- frequency
- noise
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
- 238000000034 method Methods 0.000 title claims abstract description 41
- 238000012545 processing Methods 0.000 claims abstract description 19
- 230000003044 adaptive effect Effects 0.000 claims abstract description 18
- 230000008569 process Effects 0.000 claims abstract description 8
- 230000006870 function Effects 0.000 claims description 42
- 230000003595 spectral effect Effects 0.000 claims description 25
- 238000000354 decomposition reaction Methods 0.000 claims description 24
- 238000001228 spectrum Methods 0.000 claims description 13
- 230000009466 transformation Effects 0.000 claims description 10
- 238000004458 analytical method Methods 0.000 claims description 3
- 230000008859 change Effects 0.000 claims description 3
- 238000010790 dilution Methods 0.000 claims description 3
- 239000012895 dilution Substances 0.000 claims description 3
- 230000000630 rising effect Effects 0.000 claims description 3
- 238000000605 extraction Methods 0.000 claims description 2
- 238000004891 communication Methods 0.000 abstract description 2
- 230000000694 effects Effects 0.000 description 6
- 238000005516 engineering process Methods 0.000 description 6
- 238000004088 simulation Methods 0.000 description 5
- 238000010586 diagram Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000009467 reduction Effects 0.000 description 2
- 238000013459 approach Methods 0.000 description 1
- 239000002131 composite material Substances 0.000 description 1
- 230000007423 decrease Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 238000003909 pattern recognition Methods 0.000 description 1
- 238000003672 processing method Methods 0.000 description 1
- 239000000243 solution Substances 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G10—MUSICAL INSTRUMENTS; ACOUSTICS
- G10L—SPEECH ANALYSIS TECHNIQUES OR SPEECH SYNTHESIS; SPEECH RECOGNITION; SPEECH OR VOICE PROCESSING TECHNIQUES; SPEECH OR AUDIO CODING OR DECODING
- G10L15/00—Speech recognition
- G10L15/20—Speech recognition techniques specially adapted for robustness in adverse environments, e.g. in noise, of stress induced speech
-
- G—PHYSICS
- G10—MUSICAL INSTRUMENTS; ACOUSTICS
- G10L—SPEECH ANALYSIS TECHNIQUES OR SPEECH SYNTHESIS; SPEECH RECOGNITION; SPEECH OR VOICE PROCESSING TECHNIQUES; SPEECH OR AUDIO CODING OR DECODING
- G10L21/00—Speech or voice signal processing techniques to produce another audible or non-audible signal, e.g. visual or tactile, in order to modify its quality or its intelligibility
- G10L21/02—Speech enhancement, e.g. noise reduction or echo cancellation
- G10L21/0208—Noise filtering
- G10L21/0216—Noise filtering characterised by the method used for estimating noise
- G10L21/0232—Processing in the frequency domain
-
- G—PHYSICS
- G10—MUSICAL INSTRUMENTS; ACOUSTICS
- G10L—SPEECH ANALYSIS TECHNIQUES OR SPEECH SYNTHESIS; SPEECH RECOGNITION; SPEECH OR VOICE PROCESSING TECHNIQUES; SPEECH OR AUDIO CODING OR DECODING
- G10L21/00—Speech or voice signal processing techniques to produce another audible or non-audible signal, e.g. visual or tactile, in order to modify its quality or its intelligibility
- G10L21/02—Speech enhancement, e.g. noise reduction or echo cancellation
- G10L21/0208—Noise filtering
- G10L21/0264—Noise filtering characterised by the type of parameter measurement, e.g. correlation techniques, zero crossing techniques or predictive techniques
Landscapes
- Engineering & Computer Science (AREA)
- Computational Linguistics (AREA)
- Health & Medical Sciences (AREA)
- Audiology, Speech & Language Pathology (AREA)
- Human Computer Interaction (AREA)
- Physics & Mathematics (AREA)
- Acoustics & Sound (AREA)
- Multimedia (AREA)
- Quality & Reliability (AREA)
- Signal Processing (AREA)
- Complex Calculations (AREA)
Abstract
本发明属于通信技术领域，公开了一种基于小波阈值去噪和ICEEMDAN综合去噪的语音识别方法，包括将受干扰信号EMD分解为由高频到低频的一组模态分量IMF，小波阈值去噪负责处理其中的高频模态分量；ICEEMDAN去噪负责处理其中的低频模态分量；负责高频模态分量的小波阈值去噪根据模态分量的特征信息获取自适应的门限阈值，门限阈值在一般白噪声的处理上，其自适应参数被设为定值，在部分特殊噪声的处理上，门限阈值则与噪声的特征值有线性关系，设置小波阈值去噪的阈值函数来精确处理噪声。本发明提出了自适应的门限阈值和一种改进的阈值函数，既能保证函数在阈值点处的连续性，也能解决小波系数的偏差问题。
Description
技术领域
本发明属于通信技术领域，涉及一种基于小波阈值去噪和ICEEMDAN综合去噪的语音识别方法。
背景技术
语音识别技术是用于与数码端进行人机交互的技术。语音识别的本质是一种基于语音特征参数的模式识别，即通过学习，系统能够把输入的语音按一定模式进行分类，进而依据判定准则找出最佳匹配结果。其中小波变换技术的发展为语音信号提供了新的处理方法与技术，从而使语音处理技术取得了较快的发展。小波变换的过程容易受到噪音的影响，导致恢复的信号失真，因此语音识别的精度容易受到噪音的影响。而现实交通场景中的环境噪音是很大的，因此要求智能人行道辅助系统中语音控制模块有一定的去噪功能，以提高语音识别的精度。
小波阈值去噪法是一种常用的语音识别去噪算法。但算法的硬阈值函数将小于阈值的小波系数置零，这便会导致硬阈值函数在阈值点处跳动，而软阈值函数则是把小于阈值的小波系数置零的同时，将大于和等于阈值的部分减去阈值，这样虽然保证了阈值函数的连续性，但是在小波系数大于阈值的部分有效信号的能量也会有所损失，存在小波系数的偏差问题，两种阈值函数都存在缺陷。
发明内容
本发明的目的是提供一种基于小波阈值去噪和ICEEMDAN综合去噪的语音识别方法，用于解决现有技术的小波阈值去噪法中难以保证阈值函数在阈值点处的连续性，或者存在小波系数的偏差问题的技术问题。
所述的一种基于小波阈值去噪和ICEEMDAN综合去噪的语音识别方法，包括将受干扰信号EMD分解为由高频到低频的一组模态分量IMF，小波阈值去噪负责处理其中的高频模态分量；ICEEMDAN去噪负责处理其中的低频模态分量；负责高频模态分量的小波阈值去噪根据模态分量的特征信息获取自适应的门限阈值，门限阈值在一般白噪声的处理上，其自适应参数被设为定值，在部分特殊噪声的处理上，门限阈值则与噪声的特征值有线性关系，设置小波阈值去噪的阈值函数来精确处理噪声。
优选的，所述语音识别方法包括下列步骤：
(1)信号初始化处理；
(2)利用EMD分解，将离散数字信号分解为一组由高频到低频分布的固有模态分量IMF，并计算出相应的带噪语音信号的小波功率谱密度；
(3)根据步骤(1)中得到的信号特征，求得一个相关阈值，利用该相关阈值将固有模态分量IMF划分为相关系数大于相关阈值的高频IMF分量与相关系数小于相关阈值的低频IMF分量两组；高频IMF分量应进入步骤(4)处理，低频IMF分量应进入步骤(5)处理；
(4)小波阈值去噪；
(5)ICEEMDAN去噪；
(6)将去噪的高频IMF分量与去噪的低频IMF分量利用信号叠加重新组合成为纯净信号，对纯净信号进行小波分解，进入步骤(7)。
(7)对纯净信号小波分量进行小波变换、小波包变换和小波多分辨分析提取信号特征，进行语音识别。
优选的，所述步骤(2)中固有模态分量IMF为[ω1，ω2，…，ωn]；
所述所述步骤(3)中，相关阈值为λk，算式为其中，ci为第i个信号的相关系数；高频IMF分量为[ω1，ω2，…，ωk]，低频IMF分量为[ωk+1，ωk+2，…，ωn]。
优选的，所述步骤(4)具体包括如下子步骤：
4-1)首先对高频IMF分量[ω1，ω2，…，ωk]进行小波变化并分解提取系数，获取低频近似系数和各层的高频细节系数；
4-2)求得自适应阈值λ，自适应阈值函数为：
式中，σ为高频IMF分量[ω1，ω2，…，ωk]的方差，N为观测长度；γ为谱平坦度，g(γ)为谱平坦度函数，式中添加来通过自定义参数α调整谱平坦函数对不同功率谱的适应性，即/>参数β∈(0，1)，β的取值为原信号的信噪比的倒数，用于实现对高密度噪声的稀释，j为分解尺度；
4-3)使用谱平坦度γ来调整其中上升函数区段|ωj|∈[λ，γ)的范围，利用改良后阈值函数求得去噪后的高频IMF分量；
4-4)利用小波重构函数将j层小波分量组合重构为已经去噪的高频IMF分量[ε1，ε2，…，εk]，之后进入步骤(6)。
优选的，所述子步骤4-2)中，所述模态分量的特征信息为带噪语音信号的小波功率谱密度，谱平坦度γ的算式为：γ＝10lg(ug-ua)，ug为带噪语音信号的小波功率谱密度的几何平均值，算式为ua为带噪语音信号的小波功率谱密度算术平均值，算式为/>谱平坦度函数为：/>
优选的，所述子步骤4-2)中，采用替代带噪语音信号的小波功率谱密度算术平均值的算式。
优选的，所述子步骤4-3)中，对区段|ωj|∈[γ，+∞)采用硬阈值函数对区段|ωj|∈(-∞，λ)采用函数/>利用改良后阈值函数求得去噪后的高频IMF分量/>
其中，ωj为高频IMF分量中的第j层的值，μ为改进的自适应参数，能根据噪声对于原信号的影响调节去噪的锐化程度，γ具体取值根据实际波形而变化。
优选的，所述步骤(5)具体包括如下子步骤：
5-1)取低频IMF分量[ωk+1，ωk+2，…，ωn]均值作为ICEEMDAN分解得到的第1个IMF分量；
5-2)将EMD分解后得到的各阶段余量信号添加特定噪声后，再进行EMD分解，分解后的余量信号会剔除受噪声干扰的部分，呈现出信号原有的频谱特征，若获取的余量信号足以表现原信号的特征，则进入子步骤(5-3)，否则返回子步骤(5-1)；
5-3)将余量信号重构成去噪的低频IMF分量[εk+1，…εt-1，εt+b+1，…εn]，之后进入步骤(6)。
本发明具有以下优点：本发明提出了自适应的门限阈值和一种改进的阈值函数，能够通过多个自适应参数灵活调节阈值函数，既能保证函数在阈值点处的连续性，也能解决小波系数的偏差问题。在此基础上，综合了ICEEMDAN算法进一步改进小波阈值去噪算法，能够极大提高语音识别中连续小波变换的精确性，为语音识别技术进一步改进解决了识别模糊，远场识别困难和应用场景局限等问题。
附图说明
图1为本发明中一种基于小波阈值去噪和ICEEMDAN综合去噪的语音识别方法的流程示意图。
图2为本发明改良的小波阈值去噪处理低频信号的仿真结果图。
图3为本发明改良的小波阈值去噪处理高频信号的仿真结果图。
图4为本发明中ICEEMDAN去噪的仿真结果图。
图5为本发明改良的小波阈值去噪-ICEEMDAN综合去噪的仿真结果图。
图6为本发明去噪与VisuShrink阈值小波阈值去噪效果对比图。(VisuShrink阈值小波阈值去噪，参考论文：刘冲，马立修，潘金凤，等.联合VMD与改进小波阈值的局放信号去噪[J].现代电子技术，2021，44(21)：6.)
图7为本发明中改良的小波阈值去噪中阈值函数示意图。
具体实施方式
下面对照附图，通过对实施例的描述，对本发明具体实施方式作进一步详细的说明，以帮助本领域的技术人员对本发明的发明构思、技术方案有更完整、准确和深入的理解。
如图1-7所示，本发明公开了一种基于小波阈值去噪和ICEEMDAN综合去噪的语音识别方法，该发明中使用的去噪方法中，复合了小波阈值去噪和改进的完全自适应噪声集合经验模态分解两种去噪算法，将受干扰信号EMD分解(Empirical Mode Decomposition，经验模态分解)为由高频到低频的一组模态分量IMF。小波阈值去噪负责处理其中的高频模态分量；ICEEMDAN负责处理其中的低频模态分量。负责高频模态分量的小波阈值去噪需要根据模态分量的特征信息获取自适应的门限阈值，门限阈值在一般白噪声的处理上，其自适应参数均可视为定值，在部分特殊噪声的处理上则与噪声的特征值有线性关系。小波阈值去噪的阈值函数为精确处理噪声，可近似看作多条无限趋近门限阈值的可收敛曲线函数。
具体来说，本发明公开的语音识别方法包括下列步骤。
(1)信号初始化处理，利用设备获取语音信号并分析信号的特征。
(2)利用EMD分解，将离散数字信号分解为一组由高频到低频分布的固有模态分量IMF：[ω1，ω2，…，ωn|，并进一步计算出相应的带噪语音信号的小波功率谱密度。
(3)根据步骤(1)中得到的信号特征，求得一个相关阈值λk，算式为其中，ci为第i个信号的相关系数；利用该相关阈值划分为相关系数大于λk的高频IMF分量[ω1，ω2，…，ωk]与相关系数小于λk低频IMF分量[ωk+1，ωk+2，…，ωn]两组，高频IMF分量[ω1，ω2，…，ωk]应进入步骤(4)处理，低频IMF分量[ωk+1，ωk+2，…，ωn]应进入步骤(5)处理。
(4)小波阈值去噪。该步骤具体包括如下子步骤。
4-1)首先对高频IMF分量[ω1，ω2，…，ωk]进行小波变化并分解提取系数，获取低频近似系数和各层的高频细节系数。
4-2)求得固定阈值λ，算式为式中σ为高频IMF分量[ω1，ω2，…，ωk]的方差，N为观测长度；为适应不同的实际噪声情况，本发明将固定阈值λ的算式修改为其中j为分解尺度。
谱平坦度γ的算式为：γ＝10lg(ug-ua)，所述模态分量的特征信息为带噪语音信号的小波功率谱密度，ug为带噪语音信号的小波功率谱密度的几何平均值，算式为ua为带噪语音信号的小波功率谱密度算术平均值，算式为/>上述两个算式中，fi，(i＝1，2，…，n)为带噪语音信号的小波功率谱密度。由于算术平均值对于自适应性范围的局限性，本发明选用/>替代该算式。采用一个谱平坦度函数改进自适应阈值λ，同时添加/>来通过自定义参数α调整谱平坦函数对不同功率谱的适应性，即/>
改进后的自适应阈值函数为：参数β∈(0，1)，β的取值为原信号的信噪比的倒数，用于实现对高密度噪声的稀释；自适应阈值既考虑了随着尺度j的增大，λ的值逐渐减小，使其与噪声在小波变换各尺度上的传播特性相一致的特性，也考虑了带噪语音的噪声和语音特性，使对门限阈值估计更准确，其去噪效果更佳。
4-3)使用谱平坦度γ来调整其中上升函数区段的范围，|ωj|∈[λ，γ)，对区段|ωj|∈[γ，+∞)采用硬阈值函数对区段|ωj|∈(-∞，λ)采用函数/>利用改良后阈值函数求得去噪后的高频IMF分量/>
其中添加的高频IMF分量[ω1，ω2，…，ωk]的方差σ用于适应不同的噪声频谱，增大信号的去噪范围，使去噪算法能够更高效的提取原信号的特征，ωj为高频IMF分量中的第j层的值，μ为改进的自适应参数，能根据噪声对于原信号的影响调节去噪的锐化程度，γ具体取值根据实际波形而变化，以适应原信号的多样性。
4-4)利用小波重构函数将j层小波分量组合重构为已经去噪的高频IMF分量[ε1，ε2，…，εk]，之后进入步骤(6)。
(5)ICEEMDAN去噪。该步骤具体包括如下子步骤。
5-1)取低频IMF分量[ωk+1，ωk+2，…，ωn]均值作为ICEEMDAN分解得到的第1个IMF分量。
5-2)将EMD分解后得到的各阶段余量信号添加特定噪声后，再进行EMD分解，分解后的余量信号会剔除受噪声干扰的部分，呈现出信号原有的频谱特征，若获取的余量信号足以表现原信号的特征，则进入子步骤(5-3)，否则返回子步骤(5-1)。
5-3)将余量信号重构成去噪的低频IMF分量[εk+1，…εt-1，εt+b+1，…εn]，之后进入步骤(6)。
(6)将去噪的高频IMF分量[ε1，ε2，…，εk]与去噪的低频IMF分量[εk+1，…εt-1，εt+b+1，…εn]利用信号叠加重新组合成为纯净信号，对纯净信号进行小波分解，进入步骤(7)。
(7)对纯净信号小波分量进行小波变换、小波包变换和小波多分辨分析提取信号特征，进行语音识别。
本发明给出了综合运用于多种复杂场景的复合去噪方法，解决了因为对不同的分解尺度j都采用了相同的阈值进行去噪处理，故其增强效果不理想，依据随着尺度的增加，噪声的模极大值减小，其阈值也应随着尺度的增加而减小的问题。其中门限阈值取值的设计方法可以保证较大程度地保留有用语音信号的信息，适应大部分的噪声环境，在非平稳的噪声环境下，其去噪效果也不会收到大的影响。根据仿真测试得出的数据，我们自研的改良小波阈值去噪都在各项评价指标上远超其他改进方法，这种去噪效果明显且能够极大程度保留并放大信号特征的去噪算法能够应用于语音识别中来解决在远场识别系统上，信噪比下降急剧导致的问题。
上面结合附图对本发明进行了示例性描述，显然本发明具体实现并不受上述方式的限制，只要采用了本发明的发明构思和技术方案进行的各种非实质性的改进，或未经改进将本发明构思和技术方案直接应用于其它场合的，均在本发明保护范围之内。
Claims (8)
1.一种基于小波阈值去噪和ICEEMDAN综合去噪的语音识别方法，其特征在于：包括将受干扰信号EMD分解为由高频到低频的一组模态分量IMF，小波阈值去噪负责处理其中的高频模态分量；ICEEMDAN去噪负责处理其中的低频模态分量；负责高频模态分量的小波阈值去噪根据模态分量的特征信息获取自适应的门限阈值，门限阈值在一般白噪声的处理上，其自适应参数被设为定值，在部分特殊噪声的处理上，门限阈值则与噪声的特征值有线性关系，设置小波阈值去噪的阈值函数来精确处理噪声。
2.根据权利要求1所述的一种基于小波阈值去噪和ICEEMDAN综合去噪的语音识别方法，其特征在于：包括下列步骤：
(1)信号初始化处理；
(2)利用EMD分解，将离散数字信号分解为一组由高频到低频分布的固有模态分量IMF，并计算出相应的带噪语音信号的小波功率谱密度；
(3)根据步骤(1)中得到的信号特征，求得一个相关阈值，利用该相关阈值将固有模态分量IMF划分为相关系数大于相关阈值的高频IMF分量与相关系数小于相关阈值的低频IMF分量两组；高频IMF分量应进入步骤(4)处理，低频IMF分量应进入步骤(5)处理；
(4)小波阈值去噪；
(5)ICEEMDAN去噪；
(6)将去噪的高频IMF分量与去噪的低频IMF分量利用信号叠加重新组合成为纯净信号，对纯净信号进行小波分解，进入步骤(7)。
(7)对纯净信号小波分量进行小波变换、小波包变换和小波多分辨分析提取信号特征，进行语音识别。
3.根据权利要求2所述的一种基于小波阈值去噪和ICEEMDAN综合去噪的语音识别方法，其特征在于：所述步骤(2)中固有模态分量IMF为[ω1，ω2，…，ωn]；
所述所述步骤(3)中，相关阈值为λk，算式为其中，ci为第i个信号的相关系数；高频IMF分量为[ω1，ω2，…，ωk]，低频IMF分量为[ωk+1，ωk+2，…，ωn]。
4.根据权利要求3所述的一种基于小波阈值去噪和ICEEMDAN综合去噪的语音识别方法，其特征在于：所述步骤(4)具体包括如下子步骤：
4-1)首先对高频IMF分量[ω1，ω2，…，ωk]进行小波变化并分解提取系数，获取低频近似系数和各层的高频细节系数；
4-2)求得自适应阈值λ，自适应阈值函数为：
式中，σ为高频IMF分量[ω1，ω2，…，ωk]的方差，N为观测长度；γ为谱平坦度，g(γ)为谱平坦度函数，式中添加来通过自定义参数α调整谱平坦函数对不同功率谱的适应性，即/>参数β∈(0，1)，β的取值为原信号的信噪比的倒数，用于实现对高密度噪声的稀释，j为分解尺度；
4-3)使用谱平坦度γ来调整其中上升函数区段|ωj|∈[λ，γ)的范围，利用改良后阈值函数求得去噪后的高频IMF分量；
4-4)利用小波重构函数将j层小波分量组合重构为已经去噪的高频IMF分量[ε1，ε2，…，εk]，之后进入步骤(6)。
5.根据权利要求4所述的一种基于小波阈值去噪和ICEEMDAN综合去噪的语音识别方法，其特征在于：所述子步骤4-2)中，所述模态分量的特征信息为带噪语音信号的小波功率谱密度，谱平坦度γ的算式为：γ＝10lg(ug-ua)，ug为带噪语音信号的小波功率谱密度的几何平均值，算式为ua为带噪语音信号的小波功率谱密度算术平均值，算式为谱平坦度函数为：/>
6.根据权利要求5所述的一种基于小波阈值去噪和ICEEMDAN综合去噪的语音识别方法，其特征在于：所述子步骤4-2)中，采用替代带噪语音信号的小波功率谱密度算术平均值的算式。
7.根据权利要求6所述的一种基于小波阈值去噪和ICEEMDAN综合去噪的语音识别方法，其特征在于：所述子步骤4-3)中，对区段|ωj|∈[γ，+∞)采用硬阈值函数对区段|ωj|∈(-∞，λ)采用函数/>利用改良后阈值函数求得去噪后的高频IMF分量/>
其中，ωj为高频IMF分量中的第j层的值，μ为改进的自适应参数，能根据噪声对于原信号的影响调节去噪的锐化程度，γ具体取值根据实际波形而变化。
8.根据权利要求7所述的一种基于小波阈值去噪和ICEEMDAN综合去噪的语音识别方法，其特征在于：所述步骤(5)具体包括如下子步骤：
5-1)取低频IMF分量[ωk+1，ωk+2，…，ωn]均值作为ICEEMDAN分解得到的第1个IMF分量；
5-2)将EMD分解后得到的各阶段余量信号添加特定噪声后，再进行EMD分解，分解后的余量信号会剔除受噪声干扰的部分，呈现出信号原有的频谱特征，若获取的余量信号足以表现原信号的特征，则进入子步骤(5-3)，否则返回子步骤(5-1)；
5-3)将余量信号重构成去噪的低频IMF分量[εk+1，…εt-1，εt+b+1，…εn]，之后进入步骤(6)。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311317556.9A CN117392974A (zh) | 2023-10-11 | 2023-10-11 | 一种基于小波阈值去噪和iceemdan综合去噪的语音识别方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311317556.9A CN117392974A (zh) | 2023-10-11 | 2023-10-11 | 一种基于小波阈值去噪和iceemdan综合去噪的语音识别方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN117392974A true CN117392974A (zh) | 2024-01-12 |
Family
ID=89471284
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202311317556.9A Pending CN117392974A (zh) | 2023-10-11 | 2023-10-11 | 一种基于小波阈值去噪和iceemdan综合去噪的语音识别方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN117392974A (zh) |
-
2023
- 2023-10-11 CN CN202311317556.9A patent/CN117392974A/zh active Pending
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN111564160B (zh) | 一种基于aewgan的语音降噪的方法 | |
| CN109242799B (zh) | 一种变阈值的小波去噪方法 | |
| CN110244202B (zh) | 基于同步压缩小波变换域变压器局部放电去噪方法 | |
| CN111007566B (zh) | 一种曲率驱动扩散全卷积网络地震数据坏道重建与去噪方法 | |
| CN105260998A (zh) | 基于mcmc采样和阈值低秩逼近的图像去噪方法 | |
| CN113851144A (zh) | 一种基于改进变分模态分解和主成分分析的语音信号去噪方法 | |
| CN113723171B (zh) | 基于残差生成对抗网络的脑电信号去噪方法 | |
| CN111738954B (zh) | 一种基于双层空洞U-Net模型的单帧湍流退化图像去畸变方法 | |
| CN111982489B (zh) | 选择集成的改进局部特征分解的微弱故障特征提取方法 | |
| CN115700544A (zh) | 一种联合经验模态分解及小波软阈值的色谱信号去噪方法 | |
| CN116502042A (zh) | 基于变分模态分解与改进小波阈值的电能质量扰动去噪方法 | |
| CN115618204A (zh) | 基于最优小波基和改进小波阈值函数的电能数据降噪方法 | |
| CN114429151A (zh) | 一种基于深度残差网络的大地电磁信号识别与重建方法及其系统 | |
| CN117158999A (zh) | 一种基于ppmcc和自适应vmd的脑电信号去噪方法及系统 | |
| CN112530449B (zh) | 基于仿生小波变换的语音增强方法 | |
| CN108090914B (zh) | 基于统计建模与像素分类的彩色图像分割方法 | |
| CN116405100B (zh) | 一种基于先验知识的失真信号还原方法 | |
| CN117392974A (zh) | 一种基于小波阈值去噪和iceemdan综合去噪的语音识别方法 | |
| CN111523644A (zh) | 一种基于lsfl组合模型的中长期径流预测方法 | |
| CN114240990B (zh) | Sar图像点目标分割方法 | |
| CN109614937B (zh) | 一种基于组稀疏性的小波域信号增强方法 | |
| CN113837042A (zh) | 一种基于局部均值分解的小波阈值自动化变形监测信号去噪方法 | |
| CN107315713B (zh) | 一种基于非局部相似性的一维信号去噪增强方法 | |
| Oroumchian | ECEI Spectrogram Denoising and Feature Extraction Using a Multi-Wavelet Convolutional Neural Network Model | |
| CN110097497B (zh) | 基于residual multismoothlets的多尺度图像变换和逆变换方法 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination |