小波神經(jīng)網(wǎng)絡(luò)在語(yǔ)音端點(diǎn)檢測(cè)算法中的應(yīng)用?

孫護(hù)軍

（西安航空學(xué)院電子工程學(xué)院 西安 710077）

1 引言

基于能量的端點(diǎn)檢測(cè)、基于墑的語(yǔ)音端點(diǎn)檢測(cè)、基于倒譜的語(yǔ)音端點(diǎn)檢測(cè)等，都屬于傳統(tǒng)的語(yǔ)音端點(diǎn)檢測(cè)算法，因?yàn)樗崛〉恼Z(yǔ)音特征量比較單一，所以檢測(cè)計(jì)算結(jié)果容易出現(xiàn)較大的誤差，而基于組合特征的語(yǔ)音端點(diǎn)檢測(cè)算法，雖然可以在一定程度上提高檢測(cè)計(jì)算的精準(zhǔn)性，但是容易出現(xiàn)冗余特征量造成干擾。隨著對(duì)語(yǔ)音端點(diǎn)檢測(cè)算法研究的不斷深入及長(zhǎng)期實(shí)踐，發(fā)現(xiàn)運(yùn)行小波神經(jīng)網(wǎng)絡(luò)算法完成語(yǔ)音端點(diǎn)檢測(cè)計(jì)算，存在較小的誤差，具有較高的推廣應(yīng)用價(jià)值。

2 基于小波神經(jīng)網(wǎng)絡(luò)的語(yǔ)音端點(diǎn)檢測(cè)系統(tǒng)結(jié)構(gòu)

語(yǔ)音端點(diǎn)檢測(cè)的本質(zhì)含義，是通過識(shí)別輸入系統(tǒng)的含噪語(yǔ)音信號(hào)，以噪聲門限閾值為主要依據(jù)，通過對(duì)比含噪語(yǔ)音信號(hào)與其之間的不同，進(jìn)而判斷出語(yǔ)音信號(hào)的正確起始位置，得到有價(jià)值的語(yǔ)音信息，實(shí)現(xiàn)對(duì)語(yǔ)音信號(hào)的快速處理及傳遞。基于小波神經(jīng)網(wǎng)絡(luò)的語(yǔ)音端點(diǎn)檢測(cè)系統(tǒng)主要由語(yǔ)音信號(hào)預(yù)處理、語(yǔ)音信號(hào)特征量提取以及神經(jīng)網(wǎng)絡(luò)處理三部分組成，在構(gòu)建運(yùn)算模型時(shí)，需要對(duì)這三部分進(jìn)行詳細(xì)分析。

語(yǔ)音預(yù)處理是進(jìn)行語(yǔ)音端點(diǎn)檢測(cè)計(jì)算的第一步工作，是準(zhǔn)確識(shí)別語(yǔ)音的基礎(chǔ)。人在說(shuō)話時(shí)所發(fā)出的語(yǔ)音信號(hào)屬于模擬信號(hào)，不滿足計(jì)算機(jī)處理信號(hào)要求，難以實(shí)現(xiàn)對(duì)其直接的識(shí)別和處理，只有將人的說(shuō)話語(yǔ)音信號(hào)轉(zhuǎn)化為數(shù)字信號(hào)，才符合計(jì)算機(jī)處理語(yǔ)音信號(hào)的要求，所以，便需要對(duì)語(yǔ)音信號(hào)進(jìn)行預(yù)處理，完成語(yǔ)音信號(hào)的A/D變換，將轉(zhuǎn)換得到的數(shù)字信號(hào)進(jìn)行存儲(chǔ)和處理，為語(yǔ)音信號(hào)的準(zhǔn)確識(shí)別提供方便［1］。在得到轉(zhuǎn)換后的數(shù)字語(yǔ)音信號(hào)之后，就需要從其中提取特征量，將其作為語(yǔ)音識(shí)別的主要依據(jù)。因?yàn)檎Z(yǔ)音信號(hào)中的語(yǔ)音段和非語(yǔ)音段所反映出來(lái)的信號(hào)特征是不一樣的，所以特征值的提取會(huì)直接影響到語(yǔ)音端點(diǎn)檢測(cè)計(jì)算結(jié)果，僅僅是在信噪比較高的情況下，可以通過語(yǔ)音信號(hào)能量特征分辨出語(yǔ)音段和非語(yǔ)音段，而信噪比較低時(shí)，很難準(zhǔn)確將兩者劃分開，所以便需要提取語(yǔ)音信號(hào)的特征量，明確語(yǔ)音信號(hào)和噪聲信號(hào)之間的不同，準(zhǔn)確分辨出語(yǔ)音段和非語(yǔ)音段。在得到語(yǔ)音信號(hào)特征量之后，便需要通過小波神經(jīng)網(wǎng)絡(luò)算法對(duì)采集到的語(yǔ)音信號(hào)進(jìn)行計(jì)算處理，這也是語(yǔ)音端點(diǎn)檢測(cè)系統(tǒng)的核心工作，計(jì)算模型可以在不設(shè)定噪聲門限閾值的情況下，根據(jù)所提取的特征值判斷是否是語(yǔ)音信號(hào)段，進(jìn)而有效提高了語(yǔ)音端點(diǎn)檢測(cè)計(jì)算的準(zhǔn)確性［2］。

圖1 基于小波神經(jīng)網(wǎng)絡(luò)的語(yǔ)音端點(diǎn)檢測(cè)系統(tǒng)結(jié)構(gòu)

3 基于小波神經(jīng)網(wǎng)絡(luò)的語(yǔ)音端點(diǎn)檢測(cè)算法的理論依據(jù)

語(yǔ)音信號(hào)在傳播過程中經(jīng)常存在噪聲信號(hào)，容易對(duì)語(yǔ)音信號(hào)的高效、準(zhǔn)確處理造成干擾，嚴(yán)重影響了語(yǔ)音信號(hào)的處理結(jié)果，所以在進(jìn)行語(yǔ)音端點(diǎn)檢測(cè)計(jì)算的時(shí)候，就需要對(duì)語(yǔ)音信號(hào)和噪聲信號(hào)進(jìn)行綜合分析。在利用小波神經(jīng)網(wǎng)絡(luò)模式構(gòu)建語(yǔ)音端點(diǎn)檢測(cè)計(jì)算模型的時(shí)候，是以語(yǔ)音與噪聲的頻域差異和語(yǔ)音與噪聲的統(tǒng)計(jì)自相似性作為理論依據(jù)的，通過了解并區(qū)分兩者之間的不同，來(lái)實(shí)現(xiàn)對(duì)語(yǔ)音信號(hào)端點(diǎn)檢測(cè)的準(zhǔn)確計(jì)算。

3.1 語(yǔ)音與噪聲的頻域差異

高斯白噪聲在自然界最為常見，也是語(yǔ)音信號(hào)在傳播過程中必然出現(xiàn)的一種噪聲信號(hào)，該類型噪聲具有平穩(wěn)隨機(jī)性特點(diǎn)，通過比較語(yǔ)音信號(hào)與高斯白噪聲信號(hào)的頻域差異，可以為語(yǔ)音端點(diǎn)檢測(cè)計(jì)算提供可靠依據(jù)。對(duì)采樣得到的語(yǔ)音信號(hào)與噪聲信號(hào)頻譜進(jìn)行觀察，可以發(fā)現(xiàn)在兩者的頻譜中，能量分布及波動(dòng)幅度情況存在較大差別，其中語(yǔ)音信號(hào)頻譜中能量多集中在0～4kHz的低頻區(qū)，能量波動(dòng)起伏變化劇烈，最大值和最小值之間存在較大差距［3］。而高斯白噪聲信號(hào)頻譜中的能量，在各個(gè)頻段的分布都是比較均勻的，沒有出現(xiàn)大幅度波動(dòng)變化，最大值和最小值之間的差值較小。所以，可以根據(jù)語(yǔ)音和噪聲的頻域差異，找出語(yǔ)音信號(hào)中的噪聲，準(zhǔn)確分辨出語(yǔ)音信號(hào)中的語(yǔ)音段和非語(yǔ)音段，使語(yǔ)音端點(diǎn)檢測(cè)的精準(zhǔn)性得到顯著提升。

3.2 語(yǔ)音與噪聲的統(tǒng)計(jì)自相似性

語(yǔ)音信號(hào)的統(tǒng)計(jì)自相似性具有隨機(jī)性，語(yǔ)音信號(hào)的波形變化不會(huì)影響到其自相似性，即通過小波轉(zhuǎn)換之后，在一定時(shí)域內(nèi)，可以發(fā)現(xiàn)語(yǔ)音信號(hào)小波系數(shù)的統(tǒng)計(jì)特征是一模一樣的，此時(shí)可以用1/f來(lái)表示語(yǔ)音信號(hào)的統(tǒng)計(jì)自相似性。在對(duì)語(yǔ)音信號(hào)進(jìn)行端點(diǎn)檢測(cè)的時(shí)候，可以根據(jù)語(yǔ)音信號(hào)的這種特點(diǎn)，將其與噪聲信號(hào)區(qū)分開，以小波系數(shù)的方差作為辨別語(yǔ)音信號(hào)和噪聲信號(hào)的主要依據(jù)，明確兩者統(tǒng)計(jì)自相似性之間的不同，進(jìn)而實(shí)現(xiàn)語(yǔ)音識(shí)別的目的。通過對(duì)語(yǔ)音信號(hào)和噪聲信號(hào)的時(shí)域波形進(jìn)行分析，可以發(fā)現(xiàn)兩者之間具有顯著差異，采用小波分解法對(duì)兩種信號(hào)的時(shí)域波形進(jìn)行處理之后，可以發(fā)現(xiàn)處理后語(yǔ)音信號(hào)幅度雖然在原來(lái)的基礎(chǔ)上有所變大，但是其統(tǒng)計(jì)自相似性卻沒有發(fā)生變化，與原來(lái)的特征完全相同，其時(shí)域波形變化滿足1/f。同樣道理，噪聲信號(hào)的時(shí)域波形在經(jīng)過小波分解處理后，其統(tǒng)計(jì)特征不會(huì)隨著波形的變化而發(fā)生改變，仍然與處理之前的保持一致［4］。

因?yàn)檎Z(yǔ)音信號(hào)和噪聲信號(hào)在經(jīng)過小波分解處理后，其時(shí)域波形的統(tǒng)計(jì)自相似性都負(fù)符合1/f特點(diǎn)，所以其統(tǒng)計(jì)特性在時(shí)域內(nèi)不隨波形的擴(kuò)充或壓縮而變化，在對(duì)統(tǒng)計(jì)自相似性的平均值和協(xié)方差進(jìn)行分析之后，依據(jù)小波基理論，以互為獨(dú)立的零均值為依據(jù)，可以構(gòu)建數(shù)學(xué)模型，來(lái)區(qū)分語(yǔ)音信號(hào)和噪聲信號(hào)兩者之間的不同，語(yǔ)音端點(diǎn)檢測(cè)計(jì)算結(jié)果的準(zhǔn)確性將會(huì)得到顯著提高［5］。

4 基于小波神經(jīng)網(wǎng)絡(luò)的語(yǔ)音端點(diǎn)檢測(cè)具體運(yùn)算過程

在使用小波神經(jīng)網(wǎng)絡(luò)算法進(jìn)行語(yǔ)音端點(diǎn)檢測(cè)計(jì)算時(shí)，應(yīng)該參照基礎(chǔ)理論依據(jù)，提取語(yǔ)音信號(hào)中的特征量，并選擇滿足計(jì)算要求的最為合適的特征量，構(gòu)建相應(yīng)的計(jì)算模型，按照標(biāo)準(zhǔn)、規(guī)范的運(yùn)算程序進(jìn)行計(jì)算，得到最終檢測(cè)結(jié)果。

4.1 語(yǔ)音特征量的提取與選擇

語(yǔ)音特征量的提取是語(yǔ)音端點(diǎn)檢測(cè)的首要工作，是確保語(yǔ)音識(shí)別精準(zhǔn)性的基礎(chǔ)和前提，從語(yǔ)音信號(hào)中提取相應(yīng)的特征量之后，要從中選擇最為合適的語(yǔ)音特征量，既要保證語(yǔ)音特征的全面性，又要避免對(duì)語(yǔ)音識(shí)別造成干擾，所以在使用小波神經(jīng)網(wǎng)絡(luò)算法進(jìn)行語(yǔ)音端點(diǎn)檢測(cè)時(shí)，就必須要做好語(yǔ)音特征量的提取與選擇工作。

1）語(yǔ)音特征量的提取

語(yǔ)音特征量的提取是分三步完成的，首先要對(duì)語(yǔ)音信號(hào)進(jìn)行分幀處理，其次再采用小波分解法對(duì)分幀處理后的語(yǔ)音信號(hào)進(jìn)行二次處理，最后才可以從中提取語(yǔ)音特征量。在不同時(shí)間段，語(yǔ)音信號(hào)的特征量是存在一定差異的，隨著時(shí)間的推移，語(yǔ)音信號(hào)的穩(wěn)定性將會(huì)被打破，其特征量也會(huì)發(fā)生相應(yīng)的變化，語(yǔ)音信號(hào)的特征量?jī)H僅可以在較短時(shí)間內(nèi)保持不變，該時(shí)間段一般情況下為20ms，此時(shí)，可以采用分幀處理法，將該段時(shí)間定義為語(yǔ)音信號(hào)的一幀，認(rèn)定一幀內(nèi)語(yǔ)音信號(hào)的特征量保持一致，然后以一幀作為單位，對(duì)語(yǔ)音信號(hào)的特征量進(jìn)行逐幀分析［6］。在對(duì)語(yǔ)音信號(hào)進(jìn)行逐幀分析的時(shí)候，可以采用小波分解法，即將每幀語(yǔ)音信號(hào)分為5層小波，如果用函數(shù)關(guān)系則可以表示為

此時(shí)，語(yǔ)音信號(hào)可以分解為高頻空間和低頻空間，每一個(gè)高頻空間又可以進(jìn)行再次分解，得到更低一級(jí)的高頻空間和低頻空間，然后依次向下對(duì)每一級(jí)的高頻空間進(jìn)行分解，經(jīng)過5次小波分解處理之后，便可以由原有的一個(gè)語(yǔ)音信號(hào)得到6個(gè)不同頻率的信號(hào)，而此時(shí)得到的信號(hào)頻率分量總個(gè)數(shù)一共有10個(gè)，用分解之后得到的10個(gè)語(yǔ)音信號(hào)頻率分量，便可以得到完整的信號(hào)頻譜。在得到語(yǔ)音信號(hào)完整的頻譜之后，依據(jù)語(yǔ)音與噪聲的頻域差異理論知識(shí)，可以知道語(yǔ)音信號(hào)頻譜中能量多集中在0～4kHz的低頻區(qū)，能量波動(dòng)起伏變化劇烈，而噪聲信號(hào)頻譜中的能量，則均勻的分布在各個(gè)頻段中，數(shù)值變化幅度較小，此時(shí)可以用公式來(lái)表示各層小波子帶系數(shù)的平均能量，在公式中和N分別表示小波系數(shù)和小波系數(shù)個(gè)數(shù)。因?yàn)榻?jīng)過小波分解后可以得到6個(gè)不同頻率的信號(hào)，所以便存在6個(gè)小波子帶，將具體數(shù)值代入公式后，對(duì)各個(gè)小波子帶平均能量的方差進(jìn)行計(jì)算，可以得到，其中 σ2表示各個(gè)小波子帶平均能量的方差，E表示不同小波子帶的平均能量，此時(shí)便可以從語(yǔ)音信號(hào)中提取特征量，經(jīng)過計(jì)算后，每幀語(yǔ)音信號(hào)一共可以得到8個(gè)特征矢量［7］。

2）語(yǔ)音特征量的選擇

得到語(yǔ)音特征量之后，并不意味著所有的語(yǔ)音特征量都可以用于語(yǔ)音端點(diǎn)檢測(cè)計(jì)算中，一些具有互補(bǔ)性的語(yǔ)音特征量對(duì)語(yǔ)音端點(diǎn)檢測(cè)具有幫助作用，但同時(shí)也會(huì)存在一些無(wú)用、多余的語(yǔ)音特征量，不僅無(wú)法對(duì)語(yǔ)音端點(diǎn)檢測(cè)具有幫助作用，還會(huì)對(duì)其造成干擾，影響計(jì)算結(jié)果的準(zhǔn)確性。為了提高語(yǔ)音端點(diǎn)檢測(cè)計(jì)算效率和精準(zhǔn)性，所以便需要從得到的8個(gè)特征矢量中選擇具有利用價(jià)值的語(yǔ)音特征量，以最具代表性的語(yǔ)音特征量為計(jì)算依據(jù)，來(lái)完成語(yǔ)音端點(diǎn)檢測(cè)。語(yǔ)音特征量的選取過程具體分為四個(gè)步驟，第一步先計(jì)算得到與8個(gè)特征矢量相照應(yīng)的矩陣，第二步利用不同特征矢量矩陣的特征值和特征向量，對(duì)特征矢量相照應(yīng)的矩陣進(jìn)行變化，第三步按照從大到小的順序，對(duì)變換之后的特征矢量矩陣中的特征值進(jìn)行排序，最后一步，將排序之后得到的語(yǔ)音信號(hào)特征值序列的前幾個(gè)特征量作為代表性特征量，以此作為依據(jù)，實(shí)現(xiàn)語(yǔ)音端點(diǎn)檢測(cè)計(jì)算［8～10］。

4.2 算法模型構(gòu)建及運(yùn)算

在提取語(yǔ)音特征量，并從中選取具有代表性的特征量數(shù)據(jù)之后，便可以利用小波神經(jīng)網(wǎng)絡(luò)算法構(gòu)建語(yǔ)音端點(diǎn)檢測(cè)模型，并按照相應(yīng)的步驟進(jìn)行計(jì)算，得到較為準(zhǔn)確的語(yǔ)音識(shí)別結(jié)果。

1）小波神經(jīng)網(wǎng)絡(luò)

在對(duì)小波神經(jīng)網(wǎng)絡(luò)算法進(jìn)行分析的時(shí)候，可以以徑向基神經(jīng)網(wǎng)絡(luò)為代表。徑向基神經(jīng)網(wǎng)絡(luò)又叫做RBF神經(jīng)網(wǎng)絡(luò)，其網(wǎng)絡(luò)結(jié)構(gòu)形式為前向網(wǎng)絡(luò)，基礎(chǔ)理論為非線性函數(shù)的無(wú)線逼近理論，具體結(jié)構(gòu)組成分為輸入層、隱藏層和輸出層三部分。與BP神經(jīng)網(wǎng)絡(luò)相比，RBF神經(jīng)網(wǎng)絡(luò)的函數(shù)逼近能力、分類能力和學(xué)習(xí)速度等特性都比較良好，其中BP神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)的示意圖如圖2所示，在RBF神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)中，信號(hào)源節(jié)點(diǎn)是輸入層的核心組成，RBF神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)與BP神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)的最大不同在隱含層部分，在RBF神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)中，隱含層所用到的變換函數(shù)類型為徑向基函數(shù)，這也是RBF神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)的主要優(yōu)勢(shì)所在。

圖2 BP神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)的示意圖

2）小波神經(jīng)網(wǎng)絡(luò)參數(shù)優(yōu)化

在RBF神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)中，影響其分類性能的因素主要有三種，分別為RBF神經(jīng)網(wǎng)絡(luò)的參靈敏、隱含節(jié)點(diǎn)的中心以及隱含節(jié)點(diǎn)的寬度。采用小波神經(jīng)網(wǎng)絡(luò)算法進(jìn)行語(yǔ)音端點(diǎn)檢測(cè)計(jì)算時(shí)，需要從這三種因素進(jìn)行考慮，采用遺傳算法對(duì)小波神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)進(jìn)行全局搜索，以此來(lái)實(shí)現(xiàn)對(duì)其參數(shù)的優(yōu)化，具體優(yōu)化流程如圖3所示。

圖3 RBF神經(jīng)網(wǎng)絡(luò)參數(shù)優(yōu)化流程

3）語(yǔ)音端點(diǎn)檢測(cè)具體過程

小波神經(jīng)網(wǎng)絡(luò)參數(shù)優(yōu)化完畢之后，便可以進(jìn)行語(yǔ)音端點(diǎn)檢測(cè)，具體分為五步來(lái)實(shí)現(xiàn)。第一步先將RBF神經(jīng)網(wǎng)絡(luò)參數(shù)、小波分析和遺傳算法等各項(xiàng)參數(shù)進(jìn)行初始化處理。第二步將選取的有效語(yǔ)音信號(hào)特征量輸入計(jì)算模型中，經(jīng)過分析之后得到語(yǔ)音段和噪聲段，并用不同數(shù)字對(duì)兩者進(jìn)行標(biāo)注，將其區(qū)分開，完成訓(xùn)練樣本的構(gòu)建。第三步對(duì)RBF神經(jīng)網(wǎng)絡(luò)進(jìn)行訓(xùn)練，使其可以根據(jù)輸入的語(yǔ)音特征量，正確分辨出語(yǔ)音段和噪聲段，在這一步檢測(cè)過程中，對(duì)RBF神經(jīng)網(wǎng)絡(luò)參數(shù)的優(yōu)化至關(guān)重要，只有經(jīng)過不斷優(yōu)化之后，才可以將實(shí)際輸出值和理論輸出值之間的差值降到最低。第四步需要對(duì)計(jì)算模型的性能進(jìn)行檢驗(yàn)，對(duì)RBF神經(jīng)網(wǎng)絡(luò)進(jìn)行訓(xùn)練之后，設(shè)定一個(gè)門限值作為區(qū)分語(yǔ)音段和噪聲段的依據(jù)，比較人工標(biāo)注結(jié)果和實(shí)際輸出結(jié)果，判斷計(jì)算模型是否精準(zhǔn)可靠。如果此時(shí)兩者之間存在較大出入，則認(rèn)為神經(jīng)網(wǎng)絡(luò)的訓(xùn)練工作失敗，需要進(jìn)行二次訓(xùn)練。最后，在檢測(cè)計(jì)算模型具有良好的精準(zhǔn)性之后，便可以對(duì)語(yǔ)音端點(diǎn)進(jìn)行檢測(cè)，將語(yǔ)音信號(hào)輸入模型中，提取并選擇有效的特征量，經(jīng)過分析后得到具體檢測(cè)結(jié)果，根據(jù)輸出的結(jié)果區(qū)分語(yǔ)音段和非語(yǔ)音段，實(shí)現(xiàn)語(yǔ)音識(shí)別的目的。

5 仿真實(shí)驗(yàn)及結(jié)果分析

5.1 仿真實(shí)驗(yàn)

為了對(duì)基于小波神經(jīng)網(wǎng)絡(luò)的語(yǔ)音端點(diǎn)檢測(cè)算法的精準(zhǔn)性進(jìn)行檢驗(yàn)，從TIMIT語(yǔ)音庫(kù)中提取部分?jǐn)?shù)據(jù)進(jìn)行了仿真實(shí)驗(yàn)。在對(duì)語(yǔ)音信號(hào)進(jìn)行分析和標(biāo)記時(shí)，所用方法分為Cool Edit Pro和手式法，并設(shè)置四種不同噪聲條件，信噪比分別為15dB、10dB、-0dB、-5dB，對(duì)計(jì)算模型的精準(zhǔn)性進(jìn)行測(cè)試。為了保證語(yǔ)音端點(diǎn)檢測(cè)結(jié)果的準(zhǔn)確性，在保證其他實(shí)驗(yàn)條件不變的情況下，分別選擇小波分析+RBF神經(jīng)網(wǎng)絡(luò)算法、小波分析+主成分分析+線性分類算法、短時(shí)能量檢測(cè)算法進(jìn)行分別實(shí)驗(yàn)，其中第一種算法沒有進(jìn)行主成分分析。并將語(yǔ)音端點(diǎn)檢測(cè)的正確率、虛檢率、漏檢率和檢測(cè)速度作為算法性能的評(píng)價(jià)標(biāo)準(zhǔn)。

5.2 結(jié)果分析

經(jīng)過仿真實(shí)驗(yàn)，可以得到不同算法語(yǔ)音端點(diǎn)檢測(cè)的正確率。對(duì)實(shí)驗(yàn)結(jié)果進(jìn)行分析，可以發(fā)現(xiàn)當(dāng)語(yǔ)音信號(hào)中沒有噪聲信號(hào)時(shí)，各個(gè)算法得到的語(yǔ)音端點(diǎn)檢測(cè)正確率都是比較高的，當(dāng)語(yǔ)音信號(hào)中存在少量噪聲信號(hào)時(shí)，各個(gè)算法得到的語(yǔ)音端點(diǎn)檢測(cè)正確率會(huì)出現(xiàn)不同程度的下降，其中線性檢測(cè)模型已經(jīng)無(wú)法滿足實(shí)際需求，而小波分析+RBF神經(jīng)網(wǎng)絡(luò)算法具有優(yōu)勢(shì)互補(bǔ)特性，端點(diǎn)漏檢率較低，語(yǔ)音端點(diǎn)檢測(cè)正確率下降不明顯，并且還可以消除語(yǔ)音信號(hào)的冗余特征量。同時(shí)，小波分析+RBF神經(jīng)網(wǎng)絡(luò)算法和小波分析+主成分分析+線性分類算法的訓(xùn)練時(shí)間有所增長(zhǎng)，但是其檢測(cè)性能得到大幅度提高，同時(shí)小波分析+主成分分析+線性分類算法的運(yùn)行時(shí)間要少于小波分析+RBF神經(jīng)網(wǎng)絡(luò)算法，由此可知采用小波分析+主成分分析+線性分類算法進(jìn)行語(yǔ)音端點(diǎn)檢測(cè)可以得到比較滿意的效果。

6 結(jié)語(yǔ)

基于小波神經(jīng)網(wǎng)絡(luò)的語(yǔ)音端點(diǎn)檢測(cè)算法具有較高的精準(zhǔn)性，彌補(bǔ)了多種傳統(tǒng)算法的不足，經(jīng)過仿真實(shí)驗(yàn)證明，采用小波分析+主成分分析+線性分類算法進(jìn)行語(yǔ)音端點(diǎn)檢測(cè)，其正確性、抗噪性以及魯棒性都得到了明顯提高，具有較高的推廣應(yīng)用價(jià)值，在推動(dòng)我國(guó)語(yǔ)音識(shí)別技術(shù)發(fā)展過程中起到了重要作用。