一种基于小波阈值去噪和ICEEMDAN综合去噪的语音识别方法

本发明属于通信，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：

1、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。

2、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。

技术实现思路

1、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。

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，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。

3、优选的，所述语音识别方法包括下列步骤：

4、(1)信号初始化处理；

5、(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；

6、(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；

7、(4)小波阈值去噪；

8、(5)iceemdan去噪；

9、(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)。

10、(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。

11、优选的，所述步骤(2)中固有模态分量imf为[ω1，ω2，…，ωn]；

12、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]。

13、优选的，所述步骤(4)具体包括如下子步骤：

14、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；

15、4-2)求得自适应阈值λ，自适应阈值函数为：

16、

17、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；

18、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；

19、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)。

20、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：

21、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。

22、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

23、

24、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。

25、优选的，所述步骤(5)具体包括如下子步骤：

26、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；

27、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)；

28、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)。

29、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。

技术特征：

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：

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]；

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：

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

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：

技术总结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。技术研发人员：章天骄,吴非凡,王赫,潘文雨,张雷,田建杰,尚玉龙,丁兆明,贾子彦,刘舒琪,张琳受保护的技术使用者：江苏理工学院技术研发日：技术公布日：2024/1/22