学术论坛
基于小波去噪的语音识别系统
王苏数谢小云邓茜
(江西理工大学应用科学学院江西赣州341000)
与
摘要：在语音信号分析的理论基础上，考虑了语音识别系统的实际应用要求，提出了小波去噪技术的研究。文中介绍了小波分析的基本理论，选取了最住小波基，有效去除了语音信号中大部分录声。采用了MFCC参数和HMM算法，最终建主了噪声环境下语音别系统。
关键调：语音识别小波去噪阅值
文献标识码：A
中图分类号：TN912.34 1、引言
文章编号：1007-9416(2012)05-0232-01
过程可分为三个步骤进行：
(1)音频信号的小波分解。
语音识别技术是非常重要的人机交互技术，有着非常广泛的应用领域和市场前景川。在近二十年，语音识别技术在训练模型，匹配时间，识别率等方面都有较大的提高，但要全面达到实用的水平，必须考虑环境噪声对识别率的影响。文中，运用小波去噪的方法有效
去除了语音信号中大部分噪声，大大提高了系统的误别率， 2、小波去噪
对带噪的语音信号进行小波变换，得到各个不同频带的子波信号，通过频率的高低，可以将语音信号和白噪声粗略地分开，用小波变换就可以去除高额部分的噪声。小波去噪实质上就是减少噪声产生的小波系数，保留真实信号的系数。
2.1小波分析
利用小波变换把信号分解到多尺度中，在每一尺度下去除属于噪声的小波系数，保留并增强属于真实信号的小波系数，最后经小波反变换恢复待检测信号，
2.2小波基的选取
小波分析在工程应用中的一个十分重要的间题就是最优小波基的选择问题，通过测试用小波分析方法处理信号的结果与理论结果的误差大小来选取最佳小波基。
文中运用了db3,db8.bior4.4,sym6.sym8和coif5等6个小波基对语音信号进行去噪处理，去噪后的语音与原始语言的信噪比依次为19.42.19.6819.49.19.67,19.72.19.75.因此,选用coif5/小波基作为实验函数。
在Matlab环境下，对采集的语音信号叠加高斯白噪声，构成带噪语音信号。再用小波技术对带噪信号进行去噪处理，得到去噪后的信号。仿真的结果如图1所示。
0.sH
原w号位加6号 5A学价学
图1语音信号去噪仿真
从图1中可以看出去噪信号去除了加噪信号中的噪声信号，提高了语音信号的信噪比。
2.3小波去噪
实验中采用阅值法进行降噪。一般来说，运用阅值去噪法消噪
(2)小波分解高频系数的阅值量化。(3)音频信号的小波重构。
3、系统实现
文中研究对象是“0-9"这十个汉语数字。说话人的声音经过话简从模拟信号转变为数字信号，然后将语音文件经过预处理和端点检测后进行特征参数提取.最后把特征参数序列按照HMM算法3 进行模板训练并得出最终的识别结果。
系统性能评价
4.
评价语音识别系统的性能好坏，需要多种性能指标，下面将用三种性能指标对实验系统进行评价围；
4.1鲁棒性
语音识别的噪声鲁棒性是指在输人语音质量退化，语音的音素特性、分割特性或声学特性在训练和测试环境中不同时，语音识别系统仍然保持较高的识别率的性质，在安静环境下，系统识别率为 85%。在噪声环境下，系统识别率为76%。可以看出虽然对信号加入了噪声干扰，但是识别率还是达到一定的水平。
4.2信噪比
纯语音信号功率和量化噪声信号功率的比值称为量化信噪比。实验中对语音信号添加信噪比为12的噪声，经小波去噪后，信噪比接近于20。一般来说量化信噪比越大，说明信号中的噪声越小，去噪后的语音越接近纯语音。
4.3识别时间
本系统在安静环境下，误别时间约为5s，在噪声环境下，误别时间约为45。由此看来，经过去噪后的信号，其噪声信息量和非重要信息量在去噪的过程中会消去一部分，使得系统的识别时间减少，识
别效率提高 5、结语
相比于传统的去噪方法，小波去噪法有着更好的去噪性能。文中采用小波技术有效地者除了语音信号中大部分噪声，获得了较高的鲁棒性和抗噪性。实验只能运用在非连续词汇系统中，对于连续大词汇量系统还有待研究。拟建立更稳定的模型，加大模型训练量
和存储量，以提高系统性能。参考文献
[1]刘加.汉语大词汇量连续语音识别系统研究进展[J].电子学报。 2000,28(1 ):8591.
[2]李海东,李青.基于阔值法的小液去噪算法研究[J].计算机技术与发展,2009,19(7):5658.
[3]何强何英.MATLAB扩展编程(第一版)M].北京：清华大学出版社,2002.[4]胡光锐.语音处理与识别[M].上海：上海科学技术文献出版社， 1994.
[5]雷建军,杨震,刘例.噪声鲁棒语音识别研究综述[J].计算机应用研究,2009,26(4):12101216.
[6]王苏敏.噪声背量下殖立词语音识别方法研究与仿真[D].江西：江西理工大学,2010.