2018-01-08
408
Чтобы получить вектора признаков для дискретного сигнала x (n)
(0£ n £ N -1), он разбивается на фреймы длиной D N. Длина фрейма для анализа РС выбирается с учетом периода основного тона и согласно составляет около 20 мс.
Для классификации звуков на основе на каждом m -ом фрейме РС формируются наборы векторов признаков 
. Наиболее используемые признаки для распознавания РС сведем в результирующую таблицу 1.2:
Таблица 1.2 – Наборы признаков, используемых для распознавания звуков речи
| № | На основе спектра Фурье (D N – ширина окна анализа) | |
| Энергия спектра |  (представляет собой скалярную величину)
| |
| нормированный энергетический спектр |  
| |
| кумулятивное отношение |
 ,  ,
 , E - полная энергия сигнала
| |
| На основе вейвлет-спектра (jmin, jmax, – минимальный и максимальный уровни разложения, N – длина сигнала) | ||
| мера контрастности |   , 
|
| На основе кепстрального анализа | ||
| коэффициенты кепстра |  ,  ,
где: D N – ширина окна анализа, Х – коэффициент спектра Фурье
| |
| мел-частотные кепстральные коэффициенты (MFCC) |  ,   ,
где: L – количество мел-полос, w (k) – оконная функция Бартлета,
 – границы l -той полосы,  – четное число.
| |
| На основе КЛП | ||
| коэффициенты предсказателя порядка p |  , 
| |
| нормированная автокорреляция сигнала |  ,
| |
| коэффициенты отражения КЛП |  , 
| |
| площади поперечных сечений акустической трубы |  , A 1=1, 
| |
| нормированная автокорреляция КЛП |  ,
| |
| нормированный сглаженный энергетический спектр КЛП |  ,  , 
| |
| кепстр импульсной характеристики |  ,  , 
|
Компоненты вектора признаков сегмента РС получаются усреднением соответствующих компонент векторов признаков по всем фреймам, входящим в сегмент РС.
Содержаниеотчета
Отчетдолженсодержать:
1. Постановку задачи.
2. Экранные формы, демонстрирующие результаты работы программы.
3. Выводы. В выводах необходимо оценить сглаженность нормированного сглаженного энергетического спектра КЛП при р =50 и р =100, проанализировать, при использовании какого из наборов признаков и для какой пары фонетических классов наилучшая разделимость, привести экранную форму окна визуального анализа эффективности признаков на соответствующей паре классов.
4. Листинг программы.
5. Приложение к отчету – файл с базой данных, содержащей обучающую выборку для дальнейшего распознавания.
Лабораторнаяробота№2
Тема: реализация системы предварительной обработки речи: VAD-алгоритма и алгоритма сегментации речевого сигнала.
Цель: приобрести практические навыки использования энергетических характеристик вейвлет-спектра для выделения границ речи и сегментации РС.
