结合EMD与DWT-ACF的语音基音周期检测改进算法
一种基于倒谱法的基音周期检测改进算法
一种基于倒谱法的基音周期检测改进算法张景扩;彭龑【摘要】通过对常规语音信号处理分析,设计一种基于倒谱法的基音周期检测改进算法.其过程是先对语音信号进行预处理、去趋势项处理及去噪声处理,,然后通过语音分析中的线性化处理、伯格算法和中值滤波算法对预处理过的语音信号进一步优化,并利用仿真软件验证改进增强算法,改进算法可有效的减少外界环境及共振峰等因素的干扰,相对于常规的语音基音检测算法其鲁棒性、稳定性更强.【期刊名称】《电声技术》【年(卷),期】2017(041)007【总页数】5页(P113-116,130)【关键词】基音周期检测;倒谱;预处理;增强处理【作者】张景扩;彭龑【作者单位】四川理工学院计算机学院四川自贡643000;四川理工学院计算机学院四川自贡643000【正文语种】中文【中图分类】TN911.7文献引用格式：张景扩，彭龑.一种基于倒谱法的基音周期检测改进算法[J]. 电声技术，2017,41(7/8)：113-116.ZHANG Jingkuo, PENG Yan.Improved algorithm of pitch detection based on cepstrum[J]. Audio Engineering，2017,41(7/8)：113-116.语音音调由基音决定，基音周期是指发韵母时，声带每一次打开和关闭的时间[1]。
基因周期在音频合成与分析、声调控制、语音编码以及声音识别等多个领域有着重要的价值。
语音基音周期检测经常用到倒谱法。
在纯净语音的检测中，采用倒谱检测会得到比较理想的结果，但待检测语音受外界环境影响时，其性能急剧恶化[2]，原因是噪声会淹没功率谱中的低电平部分，导致信号分析出现各种问题。
在传统的检测过程中会容易受到噪声、趋势项、共振峰等因素的影响。
语音信号为卷积信号。
利用卷积同态系统理论，可有效处理语音信号。
经卷积同态处理得到得伪时域序列为初始序列的复倒频谱其定义可表示为(n)=IFT{ln[FT{x(n)}]}倒谱定义为c(n)=IFT{ln∣[FT{x(n)}]∣}在纯净的环境下，倒谱法检测效果较好，但在噪声环境下，语音信号基音检测检测较困难，且倒谱法容易受到共振峰等环境因素的影响，难以正常提取基音周期[3]，为此提出如图1改进的倒谱算法。
基于改进EMD的信号降噪方法
基于改进EMD的信号降噪方法王强;王莉;陈晨;李伟伟【摘要】Empirical mode decomposition algorithm is widely concerned with the new time frequency analysis method.It is based on the characteristic of signal processing,which has the advantages of strong adaptability and no need to determine the basis function inadvance.However,there are still a series of problems,such as mode mixing and signal distortion because of EMD noise reduction method.In view of the defects of EMD algorithm,this paper proposes an improved algorithm based on the combination of Ensemble Empirical Mode Decomposition and wavelet threshold denoising algorithm. First of all,it uses the correlation function to choose the high frequency of Intrinsic Mode Function;Then,the wavelet threshold is setting a threshold for the EEMD;Finally,the improved algorithm is used for signal denoising and compared with the Fast Fourier Transform algorithm,wavelet threshold algorithm and forced denoising of EMD.The advantages of the method overcomes the shortcomings of the EMD algorithm and avoids the mode mixing phenomenon.It also effectively retains the high frequency signal component.The noise reduction effect is better than the previous method.%经验模态分解(Empirical Mode Decomposition,EMD)算法作为新型时频分析方法受到广泛关注,它基于信号的极值特性处理信号,具有自适应强、无需预先确定基函数的优点.但EMD算法本身仍存在模态混叠及EMD强制降噪法易导致信号失真等一系列问题.针对EMD算法的缺陷,提出基于自相关函数的集合经验模态分解方法(Ensemble Empirical Mode Decomposition,EEMD)与小波阈值降噪相结合的改进算法.首先利用自相关函数对高频固有模态函数(Intrinsic Mode Function,IMF)进行选择,然后利用小波阈值降噪法为EEMD设定阈值,最后将改进算法用于信号降噪,并与快速傅里叶变换(FFT)算法、小波阈值算法以及EMD强制降噪算法进行比较.该方法的优点是克服了EMD算法的不足,避免了模态混叠现象,有效地保留了高频信号中分量,降噪效果更好.【期刊名称】《火力与指挥控制》【年(卷),期】2017(042)008【总页数】4页(P111-114)【关键词】EMD;EEMD;小波阈值降噪;IMF【作者】王强;王莉;陈晨;李伟伟【作者单位】空军工程大学防空反导学院,西安 710051;空军工程大学防空反导学院,西安 710051;空军工程大学防空反导学院,西安 710051;空军工程大学防空反导学院,西安 710051【正文语种】中文【中图分类】TM935对振动信号进行分析是故障诊断中的重要内容，然而振动信号中除了有用的信号外，还含有很多的噪声成分。
基于FFT-ACF和候选值估计的基音周期提取方法
基于FFT-ACF和候选值估计的基音周期提取方法
徐明;陈知困;黄云森
【期刊名称】《深圳大学学报（理工版）》
【年(卷),期】2007(024)004
【摘要】利用FFT-ACF算法进行基音周期候选值估计,减少在语音基音周期提取中常见的倍频和半频错误,提出针对候选值的多重后处理算法.后处理过程:首先运用峰值筛选法进行初选,接着利用一次均值法将语音分为不同的音高段,再使用二次均值法为每个音高段确定合适的频率范围,最后精确提取出基音周期.实验结果表明,基音周期后处理算法有效,在音乐哼唱识别应用中收到良好效果.
【总页数】5页(P388-392)
【作者】徐明;陈知困;黄云森
【作者单位】深圳大学信息中心,深圳,518060;深圳大学信息中心,深圳,518060;深圳大学信息工程学院,深圳,518060;深圳大学信息中心,深圳,518060
【正文语种】中文
【中图分类】TP391;TN912
【相关文献】
1.一种基于基音周期估计的音频水印算法 [J], 付永庆;孙滢
2.基于MBE模型的基音周期估计算法改进 [J], 唐斌;樊桂花
3.基于随机共振的基音周期估计方法 [J], 何朝霞;刘凯
4.基于随机共振的基音周期估计方法 [J], 何朝霞; 刘凯
5.基于FPGA的实时基音周期估计系统 [J], 李辉;王欣;戴蓓倩;陆伟
因版权原因，仅展示原文概要，查看原文内容请购买。
基于EMD的ACF基音检测改进算法
基于EMD的AMDF基音检测改进算法
第 ｌ ３卷 第 １ 期（ ２ ０ １ ３年 ）
Ｃ Ａ ＭＤ Ｆ法 ， 其检 测效 果也有 了显著 的提 升．
１ 经验模 式分解
Ｅ ＭＤ是 Ｎ ｏ ｒ ｄ ｅ ｎ Ｅ Ｈｕ ａ ｎ ｇ 等 人于 １ ９ ９ ８年提 出的一种 新 的信号 分解方 法 １ ２ ］ ． Ｅ ＭＤ的本质 是通 过信 号本 身 的特征 尺度 来将 信号 分解成 本 征模 式 函数 （ Ｉ ｎ ｔ ｒ ｉ ｎ ｓ ｉ ｃ Ｍｏ ｄ ｅ Ｆ ｕ ｎ ｃ ｔ ｉ ｏ ｎ ， Ｉ ＭＦ ） ， 它 一 方 面具 有小 波 变换 多 分
（ １ ）
ｃ （ ｔ ） ＝ｇ 。 （ ｔ ） 即为第 一个 Ｉ ＭＦ ， 记为 Ｉ ＭＦ １ ， 利用 上述 算法 对残余 分量
ｒ （ ｔ ） ＝ｓ （ ｔ ） 一 Ｃ （ ｔ ） （ ２ ）
进 行 处理 ， 提取 出第 二个 Ｉ ＭＦ ， 如 此循 环 ， 直 至最 后一个 Ｉ Ｍ Ｆ即 Ｃ （ ｔ ） 被提 取 出来 ． 最后 的残余分 量 （ ｔ ） 通
通过对 Ｅ Ｍ Ｄ的分析可知 ， 信号经过 Ｅ Ｍ Ｄ处理后 ， 最后一项残余分量为常数项或趋势项 ， 因此可利用 Ｅ ＭＤ去 除 Ａ ＭＤ Ｆ的均值 下 降趋势 ． 图 １为一浊 音语 音 帧的 Ａ ＭＤ Ｆ经过 Ｅ ＭＤ处 理之后 的分解 结 果 ， 通过 观
一
６３ —
南京师范大学学报 （ 工程技术版 ）
宗
源， 等： 基于 Ｅ ＭＤ 的 Ａ ＭＤ Ｆ基 音 检 测 改 进 算 法
针对 Ａ ＭＤ Ｆ存在 的这 种 问题 ， 本 文提 出一 种 基 于经 验模 式 分解 （ Ｅ ｍ ｐ ｉ ｒ ｉ ｃ ａ ｌ Ｍｏ ｄ ｅ Ｄ ｅ ｃ ｏ ｍ ｐ ｏ ｓ ｉ ｔ ｉ ｏ ｎ ， Ｅ ＭＤ） 的Ａ ＭＤ Ｆ基 音检 测改 进算 法 ， 该 算法 对每 帧浊 音语 音 的 Ａ ＭＤ Ｆ进 行 Ｅ ＭＤ处理 ， 而后 去 除表 示 Ａ ＭＤ Ｆ均值
Matlab基于倒谱和EMD的语音基音周期的提取
---------------------------------------------------------------范文最新推荐------------------------------------------------------ Matlab基于倒谱和EMD的语音基音周期的提取在语音信号处理中，常用的语音特性是基于Mel频率的倒谱系数（MFCC）以及一些语音信号的固有特征，如基音周期等。
倒谱法可以较好地将语音信号中的激励信号和声道响应分离，并只需要用一些倒谱系数就能较好地描述语言信号的声道响应，在语音信号处理中占有很重要的位臵。
而倒谱解卷积法受加性噪声影响比较大，抗噪声性能不是很好。
针对这一存在问题，利用EMD 方法在理论上可以应用于任何类型的信号的分解,在处理非平稳及非线性数据上, 具有非常明显的优势这一优点。
本文中提出一种基于倒谱和EMD的语音基音周期提取的改进算法。
并在Matlab 中予以实现。
关键字：基音周期倒谱法EMD8664TitlePitch Period Extraction of Speech Signals based1 / 8on Cepstrum and EMDAbstractIn voice signal processing, MFCC and some inherent characteristics of voice signals, such as the frequency of pitch. Cepstrum can be used to separate the excitation signal and channel response, and can represent channel response with only a dozen cepstral coefficients. As a result, it has been a very important role in voice signal processing. While cepstrum deconvolution method is largely influenced by additive noise,and anti-noise performance is not very good.The EMD method can be applied to decompose any type of signals,and thus,having a very distinct advantage in handing non-stationary and non-linear data.For this problem,in this paper,an improved algorithm of pitch period extraction of speech signals based on cepstrum and EMD is proposed. Its implementation in MATLAB are described in detail.Key words:pitch periodCepstrumEMD---------------------------------------------------------------范文最新推荐------------------------------------------------------ 目次1 引言11 引言1.1 背景由于语言是人们在日常生活中的主要交流手段，因此语音信号处理在现代信息社会中占用重要地位。
结合EMD与DWT-ACF的语音基音周期检测改进算法
结合EMD与DWT-ACF的语音基音周期检测改进算法
张涛;章小兵;朱明星
【期刊名称】《噪声与振动控制》
【年(卷),期】2018(038)002
【摘要】针对传统小波-自相关算法在噪声环境下检测语音的基音周期会出现偏差和漏报的情况,提出一种经验模式分解下的小波-自相关的基音周期检测改进算法.该算法首先利用经验模式分解去除含噪语音趋势项并减噪,再利用改进的小波-自相关法突出每个基音周期的峰值点,提高了基音周期检测的精度.实验结果表明,该改进方法可有效改善加噪语音在基音提取上出现的偏差误报情况以及避免部分倍频和半频错误,提高基音周期检测速率及准确率.
【总页数】7页(P173-178,192)
【作者】张涛;章小兵;朱明星
【作者单位】安徽工业大学电气与信息工程学院,安徽马鞍山243002;安徽工业大学电气与信息工程学院,安徽马鞍山243002;安徽工业大学电气与信息工程学院,安徽马鞍山243002
【正文语种】中文
【中图分类】TN912.3
【相关文献】
1.基于改进小波变换的语音基音周期检测 [J], 吴兴铨;周金治
2.一种基于线性预测与自相关函数法的语音基音周期检测新算法 [J], 柏静;韦岗
3.一种改进的正弦语音模型基音周期检测算法 [J], 孙华山
4.基于小波变换的语音基音周期实时检测算法 [J], 沈江峰;张刚
5.基于线性预测和小波变换的语音基音周期检测新算法 [J], 马霓;应益荣
因版权原因，仅展示原文概要，查看原文内容请购买。
改进的基音检测算法
摘
要 ： 出了一种改进 的基 音检 测算 法。利用 Ｌ 提 ＭＳ自适应 滤波器对带噪语 音信 号进行语 音增强 ， 求语音信 号的 自相 关函数 再 （ ＡＭＤ ， ＡＣ 峰值 和 ＡＭＤ Ｆ）对 Ｆ Ｆ谷值进 行分析 ， 提取 改进 的ＡＣ ／ ＦＡＭＤ Ｆ加权 平方特征进 行基音检 测。
１ 引言
基音是 指发 浊音 时声带振 动 的周期 ， 音周 期的估 计 称 基
较敏感 时 ， 音检 测精度 明显下降 。针对这些 问题 ， 出一种 基 提 改进 的基于 Ｌ ＭＳ自适 应滤 波和 Ａ ＦＡ Ｃ ／ ＭＤＦ Ｊ权平 方特征 的 ］１ ［ 基 音检 测算 法 。实 验结果 表 明 ， 出的算法检 测效 果 明显 优 提
ｏ Ｆ ＡＭ ＤＦ ｉ ｘ ｒｃｅ ｏ ｄ ｔ ｃ ｅ ｓ ｅ ｃ ｉ ｈＥ ｐ ｒ ｎ ａ ｓ ｌ ｄ ｃ ｔ ａ ｅ ｐ ｏ ｏ ｅ ｉ ｈ ｄ ｔｃｉｎ ａｇ ｒ ｈ ｉ Ｕ ｆＡＣ ／ ｓ ｅ ｔａ ｔｄ ｔ ｅｅ ｔ ｔ ｐ ｅ ｈ ｐｔ ． ｘ ｅ ｍｅ ｔｌ ｒ ｕｔ ｉ ｉａ ｅ ｔ ｔ ｔ ｒ ｐ ｓ ｄ ｐ ｔ ｅｅ ｔ ｏ ｉ ｍ ｓ Ｓ — ｈ ｃ ｉ ｅ ｓｎ ｈ ｈ ｃ ｏ ｌ ｔ
２山东大学 软 件学院 ， ． 济南 ２ ０ ６ ５０ １
１Ｃｏ ｌ ｇ ｆ Ｅｌｃ ｒｃ Ｉ ｆ ｒ ｔ ｎ Ｅ ｇ ｎ ｅ ｉ ｇ， ｎ ｎ Ｉ ｔ ｒ ａ ｉ ｎ ｌ ｃ ｎ ｍｉ ｓ Ｕｎ ｖ ｒ ｉ Ｃｈ ｎ ｓ ａ ４ ０ ０ ， ｉ ａ ． ｌ ｅ ｏ ｅ ｔ ｎ ｏ ｍａ ｉ ｎ ｉ ｅ ｒ ｅ ｉ ｏ ｎ Ｈｕ ａ ｎ ｅ ｎ ｔ ａ Ｅ ｏ ｏ ｃ ｏ ｉ ｅ ｓｔ ｙ， ａ ｇ ｈ １ ２ ５ Ｃｈ ｎ ２ Ｃｏ ｌ ｇ ｆ Ｓ ｆ ｒ Ｓ ａ ｄ ｎ ｉ ｅ ｓｔ Ｊｎ ｎ ２ ０ ６１ Ｃｈ ｎ ． ｌ ｅ ｏ ｏ ｔ ｅ， ｈ ｎ ｏ ｇ Ｕｎ ｖ ｒｉ ｅ ｗａ ｙ， ｉ ａ ５ ０ ， ｉ ａ
- 1、下载文档前请自行甄别文档内容的完整性，平台不提供额外的编辑、内容补充、找答案等附加服务。
- 2、"仅部分预览"的文档,不可在线预览部分如存在完整性等问题,可反馈申请退款(可完整预览的文档不适用该条件!)。
- 3、如文档侵犯您的权益，请联系客服反馈,我们会尽快为您处理(人工客服工作时间：9:00-18:30)。
结合EMD与DWT-ACF的语音基音周期检测改进算法张涛;章小兵;朱明星【摘要】针对传统小波-自相关算法在噪声环境下检测语音的基音周期会出现偏差和漏报的情况,提出一种经验模式分解下的小波-自相关的基音周期检测改进算法.该算法首先利用经验模式分解去除含噪语音趋势项并减噪,再利用改进的小波-自相关法突出每个基音周期的峰值点,提高了基音周期检测的精度.实验结果表明,该改进方法可有效改善加噪语音在基音提取上出现的偏差误报情况以及避免部分倍频和半频错误,提高基音周期检测速率及准确率.%Deviation or omission may occur in speech pitch detection in Low SNR circumstances when using traditional discrete wavelet transform-autocorrelation function algorithm.This paper proposes an improved algorithm based on empirical mode decomposition(EMD)and discrete wavelet transform-autocorrelation function(DWT-ACF).First of all, the EMD process is used to remove the noisy speech trend items and reduce the noise.Then, the improved DWT-ACF is used to highlight the peak value of each pitch period to raise the accuracy of the pitch period detection.The experimental results show that the improved method can effectively reduce the frequency doubling and half frequency errors of noisy speech in pitch extraction so that the situation of the deviation or omission is improved,and the speed and accuracy of the pitch detection is raised.【期刊名称】《噪声与振动控制》【年(卷),期】2018(038)002【总页数】7页(P173-178,192)【关键词】声学;基音周期检测;小波-自相关;经验模式分解;固有模态函数;倍频和半频【作者】张涛;章小兵;朱明星【作者单位】安徽工业大学电气与信息工程学院,安徽马鞍山243002;安徽工业大学电气与信息工程学院,安徽马鞍山243002;安徽工业大学电气与信息工程学院,安徽马鞍山243002【正文语种】中文【中图分类】TN912.3基音周期检测是语音信号处理中的重要步骤之一，它在语音识别、语音情感识别、语音合成以及语音编码中有着广泛的应用[1]。
于是，精准的基音周期检测就具有非常重要的意义。
目前的基音周期检测方法有自相关函数法(Auto Correlation Function，ACF)[2]、平均幅度差函数法(Average Magnitude Difference Function，AMDF)[3]、倒谱法[4]、线性预测系数(Linear Prediction Coefficient，LPC)[5]、小波变换[6]以及相衍生的小波加权自相关函数法[7-8]、平均幅度差自相关函数法[9]等。
由于语音是一种复杂非平稳的信号，受限于人的声道、基音周期范围、情感以及单词的音调等各种因素的影响，因此基音周期的精确检测实际上是非常困难的，但基于基音在语音识别过程中的重要性，人们提出了各种基音周期检测算法。
而这些方法中自相关函数法(Auto Correlation Function，ACF)即使在完全纯净语音下也会发生基音的倍频和半频错误，平均幅度差函数法(Average Magnitude Difference Function，A-MDF)在信号幅度变化较快时会出现均值下降的趋势，倒谱法对噪声比较敏感，当遇到受噪声污染的语音时其检测误差会显著上升[3-4]。
由此看出，不同的基音周期检测方法都有各自的优缺点，它们在复杂的语音下并不完善，因此探索一种精确的基音周期检测方法就显得尤为重要。
本文针对传统的小波-自相关法(DWT-ACF)[10]的缺点提出了一种基于经验模式分解(EMD)[11]下改进小波-自相关的基音周期检测算法。
该算法先利用经验模式分解(EMD)处理含噪语音信号，提取基本模式分量IMF3－IMF6以消除含噪信号部分噪声以及消除趋势，改善自相关函数法在基音的倍频和半频上的错误（在语音信号中提取基频常用的自相关方法中，倍频和半频是常见的错误。
前者是那些低的第1共振峰的干扰；后者出自个人的发音习惯导致的奇数周期和偶数周期的声门脉冲的强度的固有变化。
这是由语音信号的特性造成的，与汉语‘上声’结尾有些人发出的吱嘎声，基频很低，难以测量，有同样的性质。
这类错误即使在信噪比很高的条件下也会出现。
因为言语中基频是一个有规律的慢变过程），以及小波法的基音定位偏差[9]，再结合小波算法抗噪声性能与自相关函数法的简单精准，得出一种精确定位基音周期的新算法(EMDDWT-ACF)。
对EMDDWT-ACF算法进行仿真实验，实验结果表明，该方法提取的语音基音周期基音轨迹平滑，且相对应的基音频率能与实际的基音频率很好吻合。
1 EMD算法基本原理1998年，Norden E.Huang等对非平稳信号在瞬时频率方面进行深入研究，创造性地提出了本征模式函数(Intrinsic Mode Function，IMF)[12]以及将任意信号分解为IMF的经验模式分解(Empirical Mode Decomposition，EMD)。
为了得到有意义的瞬时频率，提出了基本模式分量(IMF)的概念，基本模式分量的提出需要满足两个基本条件：(1)在语音数据序列中，极值点的个数Ne与过零点的个数Ns要满足(2)在任意时间点ti上，信号局部极大值确定的上包络线gmax(ti)与局部极小值确定的下包络线gmin(ti)均值为零，即其中：[ta,tb]为语音数据段所在的时间区间。
用验模式分解(EMD)将信号的基本模式分量(imf)提取出来，然后对其分析，这是一个筛选过程，其分解原理如下：(1)将原始信号的x(t)的所有局部极值点分别用3次样条曲线连接起来，使信号的所有数据点都处于这两条包络线之间，定义上、下包络线均值组成的序列为m(t)。
(2)从原始信号x(t)中减去m(t)，得到检测h1(t)是否满足IMF的两个基本条件，若不满足，把h1(t)作为待处理信号，重复式(3)，直到找到一个h1(t)是一个基本模式分量，记为(3)得到一个基本模式分量后，从原始信号x(t)中减去c1(t)，得到剩余值序列r1(t)(4)将r1(t)作为新的原始信号重复上述步骤得到各阶IMF分量，记为 c1(t)、c2(t)、...、cn(t)，直到满足预先设定的停止准则，则停止，最后剩下一个余项为rn(t)。
该方法的核心思想是将原始信号x(t)分解为若干基本模式分量ci(t)和一个剩余分量rn(t)，见式(6)具体分解结果见图1，对一段纯净语音进行EMD分解，得到各阶imf分量。
图1 EMD分解从图1中可以看出，对纯净语音进行EMD分解后，得到的各阶imf分量中imf1到imf6包含语音信号的大部分信息，imf6之后的分量主要是语音趋势分量。
1.1 EMD语音增强对原始纯洁语音x(t)进行加噪得加噪语音信号x′(t)，对其进行EMD分解得到一系列基本模式分量imfi，丢掉前 2阶模态分量 imf1、imf2，再重构新的信号x̂(t)根据文献[13]提出的方法，EMD分解后的前两阶imf含有高斯白噪声75%的分量和噪声的共振峰，实验中丢弃了前两阶imf相当于对带噪语音信号进行语音增强处理，但是丢弃的两阶imf中同时也包含语音信号的成分，但这并不影响后续的基音周期检测，见图2。
从图2(a)中可见对纯洁语音进行重构imf3之后的信号可以保留大部分语音信号，而图2(b)为对加噪语音进行重构imf3之后的分量，可以明显看出已去除大部分噪声，且信噪比SNR从5提升到8.56，足见算法的效果。
1.2 语音消除趋势通过对EMD分解后的imf分析可知，经过EMD分解处理后的语音信号，其imfj （这里的j针对实验的语音设定为6）之后的分量以及残余分量，大多都是低频分量，这些信号包含语音的趋势，并不能反应语音的特性，但这些信号中的低频噪声和工频对语音的基音周期检测又会产生较大的影响，它会干扰到基音周期算法的准确率。
故本算法对减噪后的信号进行重构，再进行EMD 2次分解，分解后得到新的cj(t)和剩余分量rm(t)，试验中丢弃c7(t)之后分量以及剩余分量，再次重构得到新处理后的信号f(t)为第1次分解和第2次分解是分开进行的，第1次分解后重构的信号用来检测元音主体。
在元音主体的检测之前是要进行能熵比端点检测，这里选用能熵比端点检测而没选择其他类型的端点检测是由于在一般的端点检测中，为了检测出一些语音的头、尾，经常将检测条件设置稍宽一些，但是语音头、尾部并不具有声带振动那样的周期性，也就检测不到相应的基音，而本算法设置的能熵相比端点检测条件较为严格，与传统的双门限不同的是本文设置用一个门限阈值Ti作为判断，判断能熵比值是否大于Ti，把大于Ti的部分作为有话段的候选值，再进一步判断该段长度是否大于给定的判定最小值miniL，只有大于最小值的段才能作为有话段。
本文并不是采用对各元素进行分割方法得到元音主体，而是在能熵比端点检测判定出有话段后，在每个有话段中寻找能熵比的最大值Emax，设置比例系数r2，使得阈值T2=Emax×r2，这样对于不同的有话段就有不同的T2值，然后把能熵比大于T2的部分作为元音主体部分。
第2次分解后重构得到的信号是用来优化小波算法的，详细过程见下一小节。
2 改进的EMD小波-自相关函数法2.1 基于EMD的小波算法小波变换是一个平方可积函数 f(t)（对应本文经过EMD处理后的信号 f(t)）与一个在时频域上具有良好局部性质的小波函数φ(t)的内积式中：＜f，φa,b＞表示两函数的内积；a＞0为尺度因子；b为位移因子；φ′(t)表示表示小波函数φ(t)的复数共轭。