基于小波变换的语音特征参数提取
基于小波变换的特征提取
基于小波变换的特征提取随着数字化信息量的急剧增加，机器学习领域的需求也越来越大。
图像和信号处理是机器学习的一个重要应用领域，而特征提取是其重要组成部分。
小波变换是一种在图像和信号处理中广泛使用的技术，可以提高特征提取的准确性和效率。
一、小波变换的定义小波变换是一种用于信号和图像处理的数学变换。
它将原始信号或图像分解为一系列具有不同频率和时间分辨率的小波函数。
小波函数可以表示为短、快速振荡的函数，它们比传统的傅里叶变换所使用的正弦和余弦函数更适合对信号进行分析。
小波变换有两个基本的操作：卷积和下采样。
卷积用于将小波函数与原始信号进行数学运算，而下采样用于将处理后的信号降采样，减少处理的数据量。
二、小波变换的基本步骤小波变换的基本步骤包括：1.选择小波函数：小波函数有多种类型和变种，根据不同的应用需求和分析目的选择不同的小波函数，常用的小波函数包括哈尔小波、Daubechies小波、Coiflet小波等。
2.信号分解：将原始信号逐层分解为不同频率的小波系数，以获取不同时间分辨率和频率分辨率的信息。
通常情况下，信号的低频部分具有长时间特性，而高频部分则具有短时间特性。
3.特征提取：利用小波系数进行特征提取或特征选择，选择具有代表性的特征用于模型训练和预测。
三、小波变换在特征提取中的应用小波变换在特征提取中的应用包括：1.纹理特征提取：图像纹理是指由不同颜色和灰度级的像素组成的二维表面形态。
小波变换不仅可以提取图像的低频和高频信息，还可以提取图像特有的纹理信息，用于图像分类和识别。
2.语音信号特征提取：语音信号包含众多频率成分和信号幅度成分，利用小波变换可以提取语音信号的频率和振幅信息，用于语音信号分析和语音识别。
3.生物医学信号分析：生物医学信号包括心电信号、脑电信号、肌电信号等。
小波变换可以在时频域上对这些信号进行分析，提取特征用于疾病诊断和治疗。
四、小波变换在特征提取中的优势小波变换在特征提取中的优势包括：1. 时间分辨率和频率分辨率较高：小波变换可以同时提供时间和频率分辨率，能够准确捕捉数据的突变点和重要特征。
基亏小波变换的语音特征参数提取
１ ． 引言
在 语音识 别和 说话人 识别 中 ，基 于Ｍ ｅ ｌ 频 率的倒谱 系数Ｍ Ｆ Ｃ Ｃ （ ｍ ｅ ｌ ｆ ｒ ｅ ｑ ｕ ｅ ｎ ｃ ｙ ｃ ｅ ｐ ｓ ｔ ｒ ｕ ｍ ｃ ｏ ｆ ｆ ｉ Ｃ ｉ ｅ ｎ ｔ ） 是将人 耳 的听觉感 知特性 和语 音 的产生机制 相结合 ，与其他特征参 数相 比较 ， 体 现 了较优 越的性 能，在无噪声情 况下能得 到 较高 的识别 率， 因此 是 目前使用最 广泛的特 征 参数 。但是 ，随着识 别词汇量 的增 大 ，这种 参 数的识别性 能急剧地 下降 。说 明这 种特征不 适 合大词汇量识别 。 近年来 ，小波变换被广泛 应用于语音 处理 中，主要包 括 ：利用 小波变换对 听觉感知系 统 进行模拟 ，对语音信 号去噪 ，进 行清 、浊音 判 断。 因为 小波变换 的局部化性质 ，可 以在很 小 的分帧长 下对语音信 号仍具有较 高的频谱分 辨 率，本文将 小波变 换技术引入 ￣ ｝ Ｉ Ｊ Ｍ Ｆ Ｃ Ｃ 特征参 数 中 ，来进 行语音识 别系统的特征提 取 ，可 以提 高对 辅音 区的识 别效 果。 因此 ，用 Ｗ Ｍ Ｆ Ｃ Ｃ 特 征 参数 作为 隐马尔 可夫 （ Ｈ Ｍ Ｍ ） 识别 网络 的输入 信 号，识别效果 明显提 高。 ２ ． Ｍ Ｆ Ｃ Ｃ 特征参数 图１ 所示为Ｍ Ｆ Ｃ Ｃ 恃征参数 的计算流 程图 。
…
一
一
………… Nhomakorabea…
…
…
…
．
．
赞筮展一 一 Ｉ
基亏小波变换的语音特征参数提 取
Ｓ ｐｅ ｅ ｃ ｈ Ｆｅ ａ ｔ ｕｒ ｅ Ｅｘ ｔ ｒ ａ ｃ ｔ ｉ ｏｎ Ｂａ ｓ ｅ ｄ ｏｎ Ｗ ａ ｖ ｅ ｌ ｅ ｔ Ｍ ＦＣＣ
如何使用小波变换进行时频特征提取
如何使用小波变换进行时频特征提取时频特征提取是信号处理中的重要任务之一，它可以帮助我们从时域和频域两个维度获取信号的有用信息。
小波变换是一种常用的信号分析工具，它结合了时域和频域的特点，能够提供更全面的时频信息。
本文将介绍如何使用小波变换进行时频特征提取。
一、小波变换简介小波变换是一种将信号分解成不同频率的成分的方法。
它与傅里叶变换不同，傅里叶变换只能提供信号的频域信息，而小波变换能够提供信号的时域和频域信息。
小波变换将信号分解成不同尺度的小波基函数，每个尺度的小波基函数都对应一定频率范围内的信号成分。
二、小波变换的基本原理小波变换的基本原理是将信号与小波基函数进行卷积运算，通过改变小波基函数的尺度和平移来分析信号的时频特征。
小波基函数具有局部化特性，能够更好地捕捉信号的瞬态特征。
通过对信号进行多尺度分解，可以得到信号在不同频率范围内的时域分量。
三、小波变换的实现步骤使用小波变换进行时频特征提取的基本步骤如下：1. 选择合适的小波基函数：小波基函数的选择对于时频特征提取至关重要。
常用的小波基函数有Haar小波、Daubechies小波、Morlet小波等。
不同的小波基函数适用于不同类型的信号，需要根据实际情况进行选择。
2. 进行小波分解：将信号与选定的小波基函数进行卷积运算，得到信号在不同尺度上的小波系数。
小波系数表示了信号在不同频率范围内的能量分布情况。
3. 时频特征提取：根据小波系数的分布情况，可以提取信号的时频特征。
常用的时频特征包括能量谱密度、瞬时频率、瞬时幅度等。
4. 重构信号：将提取得到的时频特征重新合成为信号，可以通过逆小波变换实现。
重构后的信号可以用于进一步的分析和处理。
四、小波变换在实际应用中的案例小波变换在信号处理领域有着广泛的应用。
以下是一些实际应用案例：1. 语音信号处理：小波变换可以用于语音信号的特征提取和压缩。
通过对语音信号进行小波分解，可以提取出语音信号在不同频率范围内的特征，用于语音识别和语音合成等任务。
小波变换与神经网络技术的滋养特征提取及识别应用
小波变换与神经网络技术的滋养特征提取及识别应用近年来，小波变换与神经网络技术已经在图像、音频、信号等领域广泛应用，特别是在特征提取和识别方面取得了许多重要进展。
本文将介绍小波变换和神经网络技术的原理及其在特征提取和识别中的应用。
一、小波变换原理小波变换是一种时间-频率分析方法，它将时域信号分解成不同尺度和不同频率的子信号，可以帮助我们更好地理解信号的局部特征。
在小波分析中，小波函数是一种长度有限的函数，它具有自相似性、局部化和可变性等特点。
小波变换的基本过程是将原始信号分解成一组小波系数，这些系数包含了信号在不同尺度上的特征信息，包括低频和高频成分。
其中，低频成分代表信号的整体趋势，高频成分反映了信号的局部细节。
二、神经网络技术原理神经网络是一种模拟人类神经系统运作的计算模型。
它由大量简单的单元组成，这些单元相互连接并通过学习来实现特定任务。
神经网络可以通过多次迭代来优化网络连接权重以及神经元的激活函数，从而得到更好的分类和识别效果。
在神经网络中，网络的输入层接收原始数据，隐含层和输出层则通过多层非线性变换将输入数据映射到具有特定意义的特征空间中。
神经网络的输出层通常表示分类或者识别结果。
三、小波变换与神经网络技术在特征提取中的应用小波变换和神经网络技术已经被广泛应用于图像、音频、信号等领域，特别是在特征提取和识别方面。
以下是一些典型应用案例：1.图像特征提取在图像处理中，小波变换可以将图像分解为不同的频率和尺度。
通过选取合适的小波函数和分解层数，可以提取出图像的不同特征，如边缘、纹理等。
这些特征可以被用于分类、识别和双目视觉等应用中。
神经网络可以通过卷积层和全连接层等深度学习结构学习这些特征，并将其映射到更高层次的特征空间中。
这些特征被广泛应用于计算机视觉任务，如图像分类、目标检测和物体识别等。
2.音频特征提取在音频处理中，小波变换可以将音频信号分解为不同频率的子信号。
这些子信号可以用于声音识别、语音合成、语音分析等应用。
模式识别中的特征提取技术
模式识别中的特征提取技术近年来，随着大数据和人工智能技术的快速发展，模式识别技术也逐渐成为了学术研究和商业应用的热点。
在模式识别技术中，特征提取是一个非常重要的环节。
那么，什么是特征提取，它在模式识别中的作用是什么呢？特征提取，是指从原始数据中提取出有利于区分不同类别的信息。
在模式识别中，原始数据一般是由数字、图像、语音等信息构成的。
经过特征提取，可以将原始数据转化为高维度特征向量。
这个过程中，需要考虑以下几个因素：首先是特征的可分性。
我们需要从原始数据中提取出具有区分度的特征，这些特征应该能够清晰地表征出样本的类别信息。
其次是特征的稳定性。
我们需要保证特征在不同数据样本之间的差异尽量小，使得不同样本的特征可以进行比较，从而建立起模型。
最后是特征的高效性。
我们需要优化算法，提高计算效率，同时确保提取到的特征能够进行可行的分类操作。
经过特征提取的过程，可以得到高维度的特征向量。
这些特征向量常用于建立分类模型、回归模型、聚类模型等等。
特征提取的质量直接影响模型的表现和预测能力。
那么，特征提取有哪些常用的方法呢？1. 基于主成分分析的特征提取方法主成分分析是通过利用协方差矩阵进行特征分解的一种统计方法。
这种方法可以将数据转换到一个新的坐标系中，从而达到降维的效果。
在特征提取中，主成分分析的主要作用就是提取主要的特征分量，以达到降维和去除噪声的效果。
2. 基于小波变换的特征提取方法小波变换是一种多尺度分析方法，可以对数据进行时频分析。
在特征提取中，小波变换可以有效地提取多尺度的特征信息，从而克服了传统的频域或时域特征提取方法的局限性。
3. 基于独立分量分析的特征提取方法独立分量分析是一种独立性分析方法，可以将数据分解为多个独立的成分。
在特征提取中，独立分量分析可以有效地剔除数据中的噪声信息，提取出真正有用的特征信息。
4. 基于深度学习的特征提取方法深度学习是一种人工神经网络方法，可以对高维度的数据进行特征提取和分类。
小波变换对时序数据挖掘的特征提取方法
小波变换对时序数据挖掘的特征提取方法小波变换是一种广泛应用于信号处理和数据挖掘领域的数学工具，它在时序数据挖掘中具有独特的特征提取能力。
本文将介绍小波变换的基本原理、特点以及在时序数据挖掘中的应用。
一、小波变换的基本原理小波变换是一种基于函数空间的变换方法，它通过将信号分解成不同频率和尺度的小波基函数，来描述信号的时频特性。
小波基函数是一组平滑且局部化的函数，可以在时域和频域上进行精确表示。
小波变换的基本原理可以用数学公式表示为：\[W(a,b) = \int_{-\infty}^{\infty}x(t)\psi^{*}(\frac{t-b}{a})dt\]其中，$W(a,b)$表示小波系数，$x(t)$表示原始信号，$\psi^{*}(\frac{t-b}{a})$表示小波基函数，$a$和$b$分别表示尺度和平移参数。
二、小波变换的特点相比于传统的傅里叶变换和离散余弦变换等方法，小波变换具有以下几个特点：1. 多尺度分析：小波变换可以将信号分解成不同尺度的频率成分，从而更好地描述信号的局部特征。
这使得小波变换在时序数据挖掘中能够提取出更多的有用信息。
2. 局部化特性：小波基函数在时域上具有局部化的特性，可以更准确地描述信号的瞬时特征。
相比之下，傅里叶变换等方法在时域上是全局性的，无法有效捕捉信号的瞬时变化。
3. 时频分析：小波变换将信号分解成时频域上的小波系数，可以同时描述信号的时域和频域特性。
这使得小波变换在时序数据挖掘中能够更全面地分析信号的特征。
三、小波变换在时序数据挖掘中的应用小波变换在时序数据挖掘中有广泛的应用，主要包括特征提取、信号去噪和模式识别等方面。
1. 特征提取：小波变换可以将时序数据分解成不同尺度的小波系数，每个尺度对应不同频率的成分。
通过分析小波系数的幅值和相位信息，可以提取出信号的局部特征，如峰值、谷值、上升沿和下降沿等。
这些特征可以用于时序数据的分类、聚类和预测等任务。
基于小波包与分形的语音特征提取
对 一 个 给 定 的信 号 ｓ进 行 采 样 ， 信 号 的 频 域 中 给 定 则 了， 当进 行 小 波 分 解 时 ， 得 到 的 高 频 与 低 频 信 号 分 别 占 所
Hale Waihona Puke 作者简介 ： 陈春 辉 （ ９ １ ） 男 ， 东化 州人 ， 南师 范 大 学计 算 机 学院 硕 士 研 究 生 ， 究 方 向 为嵌 入 式语 音 识 别 。 １８一 ， 广 华 研
较 高 的说 话 人 识 别 的 效 果 。
关键词 ： 小波 包 ； 分形 ； 音特 征 ； 态时 间归 整 语 动
中 图分 类 号 ： ３ ９ ＴＰ １
文献标识码 ： Ａ
文 章 编 号 ： ６ ２ ７ ０ （ ０ ２ ０ ６０ ５ 一 ３ １ ７ －８ ０ ２ １ ） ０ — １ ９Ｏ
（ 三 层 小 波 分 解 ａ）
音方面 ， 在特 征 提 取 方 面 由于 小 波 系 数 不 能 直接 作 为特 征
参 数 参 与 识 别 ， 以没 有 成 为 语 音 识 别 的 主 流方 法 。传 统 所
图 １ 三层 小 波 分 解
的 特 征 参 数 采 用 短 时 傅 立 叶 分 析 （ ＴＦ ， 语 音 信 号 分 ｓ Ｔ） 将
第 １卷 第 ６ １ 期
Ｖ １１ ． Ｏ．１ ６ ＮＯ
Ｊ ｉ ２ ２ ｔ ｎ Ｏｌ
基 于 小 波 包 与 分 形 的 语 音 特 征 提 取
陈 春 辉
（ 南师 范大 学 计 算机 学院 ， 州 ５ ０ ３ ） 华 广 １ ６ １
摘 要 ： 对语 音信 号 的 非平 稳 特 性 ， 统 的 短 时分析 技 术 容 易丢 失信 息 的现 状 ， 出 了一 种 利 用 小 波 包 变换 和 分 形 针 传 提
语音识别技术中的声纹特征提取方法
语音识别技术中的声纹特征提取方法声纹识别技术是一种基于人声信号的生物识别技术，通过分析声音中独特的声纹特征，实现对个体身份的准确识别。
声纹特征提取方法是声纹识别技术中的核心环节，决定了识别性能的优劣。
本文将介绍几种常用的声纹特征提取方法，并对其原理和优缺点进行分析。
一、时域特征提取方法时域特征提取方法主要基于声音信号的时序特点，常用的特征包括基音周期、语调、能量等。
1. 基音周期：基音周期是指声音波形中基音振动周期的长度，具有很强的个体差异性。
基于基音周期的特征提取方法主要包括自相关法和互相关法。
自相关法通过计算信号与其自身在不同时间偏移下的互相关系数，来提取基音周期信息。
互相关法则是通过计算两个不同信号之间的互相关系数，来提取基音周期信息。
2. 语调：语调是指声音信号的音高。
不同个体的音高存在一定差异，可以用于声纹特征提取。
语调特征提取方法主要基于基频和基频变化率的计算。
3. 能量：能量是指声音信号的强度。
不同个体的声音在能量上也存在差异，因此能量特征可以用于声纹识别。
能量特征提取方法一般通过计算声音幅度的均方差或绝对值来得到。
二、频域特征提取方法频域特征提取方法基于声音信号在频域上的表现，常用的特征包括音谱、倒谱、Mel频谱等。
1. 音谱：音谱是指声音信号在频域上的幅度谱。
音谱特征提取方法通过对声音信号进行傅里叶变换，将其转换为频域表示，然后提取幅度谱信息。
2. 倒谱：倒谱是将音频信号的频域表示转换为倒谱表示的方法。
倒谱特征提取方法先将声音信号进行傅里叶变换得到音谱，然后进行对数变换和逆傅里叶变换得到倒谱。
3. Mel频谱：Mel频谱是一种对音频信号频域表示进行处理的方法。
Mel频谱特征提取方法通过将频谱映射到Mel频率刻度上，再进行对数变换。
三、时频域特征提取方法时频域特征提取方法是将时域特征和频域特征结合起来，综合考虑声音信号的时序和频率特征。
1. 小波变换：小波变换是一种时频分析方法，可以将声音信号分解为不同尺度和频带的子信号。
- 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)。
基于小波变换的语音特征参数提取
【摘要】将小波变换的多分辨率特性用于改进Mel频率倒谱系数MFCC的前端处理中，给出了一种新的语音特征参数——小波MFCC。
其特点在于采用小波变换、分层FFT和频率合成代替原来MFCC中的FFT部分，使频谱分辨率提高了一倍。
试验证明，小波MFCC特征参数在较大词汇量情况下，其识别率优于MFCC特征参数的结果。
【关键词】小波分析；语音识别；MFCC
Abstract：The multi resolution characteristic of wavelet is used to improve the front end processing of MFCC.So，a new feature parameter wavelet MFCC is presented in this paper.It uses wavelet transform，multi degree FFT and frequency synthesis to replace original FFT of MFCC，and increases spectrum resolution by 2.The experiments demonstrate that robustness and recognition rate of wavelet MFCC feature are better than one of MFCCs in large vocabulary.
Key words：wavelet transformation；speech recognition；MFCC
1.引言
在语音识别和说话人识别中，基于Mel频率的倒谱系数MFCC（mel frequency cepstrum cofficient）是将人耳的听觉感知特性和语音的产生机制相结合，与其他特征参数相比较，体现了较优越的性能，在无噪声情况下能得到较高的识别率，因此是目前使用最广泛的特征参数。
但是，随着识别词汇量的增大，这种参数的识别性能急剧地下降。
说明这种特征不适合大词汇量识别。
近年来，小波变换被广泛应用于语音处理中，主要包括：利用小波变换对听觉感知系统进行模拟，对语音信号去噪，进行清、浊音判断。
因为小波变换的局部化性质，可以在很小的分帧长下对语音信号仍具有较高的频谱分辨率，本文将小波变换技术引入到MFCC特征参数中，来进行语音识别系统的特征提取，可以提高对辅音区的识别效果。
因此，用WMFCC特征参数作为隐马尔可夫（HMM）识别网络的输入信号，识别效果明显提高。
2.MFCC特征参数
图1所示为MFCC特征参数的计算流程图。
图1 MFCC特征参数的提取
人类听觉系统对声音高低的感知与实际频率是一种非线性映射关系[1]，而与Mel频率成线性关系。
根据人的听觉机理来进行Mel滤波器组的频带划分，模拟不同频率下人耳对语音的感知特性。
实际频率和Mel频率的转换关系用公
式（1）表示。
其中Fmel是感知频率，单位美（Mel），F是以HZ为单位的实际频率。
将语音的实际频率变换到感知频率中，能更好地模拟人的听觉处理过程。
首先，将输入语音信号进行预处理，包括预加重、加窗分帧，然后作快速傅立叶变换，获得频谱分布信息；
其次，将频域信号通过按Mel频率坐标分布的三角滤波器组。
每个Mel三角带通滤波器的传递函数为：
3.基于小波分析特征参数提取
3.1 小波理论在语音识别应用基础
传统的语音信号频谱是采用固定窗的傅立叶变换，在短时平稳的假设基础上得到的。
傅立叶变换能够对窗内平稳信号（整个窗长度内信号特性相同）提供精确的频率分量。
由于语音信号是短时平稳信号，由不确定性原理[2]可知，基于短时平稳假设的固定窗傅立叶变换将会模糊语音的细节特征，从而引起一些非常重要的信息丢失。
小波理论是一种非平稳信号的分析方法，采用多分辨分析的思想，非均匀的划分时——频空间，能够有效地从信号中提取信息。
具有时域局部性和频域局部性，并且其时频窗口可以根据不同频率自适应地调节，从而能精确地反映非平稳信号的瞬间变化。
将小波变换引入语音信号的特征提取中，系统的识别性能能够得到一定的改善。
与傅立叶变换类似，小波变换是将信号s（t）分解为若干基函数的线性组合。
其基函数是。
如果是正交小波基，那么信号可分解成小波基的组合：
其中j为不同分辨率下标，j越大，表示分析的分辨率越低；j0表示最低分辨率；k为时间局部性下标；wjk代表信号在2jk时刻附近，2-jf0频率附近的值。
尺度系数uk代表信号在2j0k附近平均值。
随着分辨率的变化，能够在不同分辨率上得到小波细节，也就是高分辨的小波系数用来表示语音信号的快变分量，低分辨的小波系数用来表示语音信号的慢变分量。
3.2 基于离散小波变换的征参数提取
要将小波变换应用在语音识别中，关键是将小波系数归整成维数不大的高效特征参数[3]。
本文把傅里叶变换用离散小波变换代替，将小波变换引入到特征参数提取过程中。
WMFCC特征参数提取框图如图2所示。
与MFCC相比，其主要不同在其前端处理。
WMFCC的特点在于采用小波变换、分层FFT和频率合成。
图2 WMFCC特征参数提取方框图
具体实现方法如下：
（1）本文试验中，先把语音信号用Matlab中的DB3小波进行预处理变换，256个样点为一帧，帧移为128个样点，进行6层小波变换，得到的小波系数为7层。
从第1层到第6层，语音信号的频段逐次升高，得到个数分别为12、12、20、36、67、130、249的6层小波系数。
（2）将分层后的小波系数做FFT变换，获得其频率响应。
把上述各层小波系数补零，得到2的整数次方，进行快速FFT变换。
经FFT变换后，得到样点数分别为：16、16、32、64、128、256、512的7层小波系数。
（3）频率合成，按照频率高低把各层小波系数频率响应组合成完整的频谱（频谱最高位对应第1层小波系数），最终得到有1024个样点的频谱。
因为以便进行快速傅里叶变换，在小波系数后补零，所以频谱分辨率和Mel滤波器组的分辨率分别比MFCC提高了一倍。
表1 MFCC和WMFCC特征的识别结果比较（%）
4.仿真结果与分析
本文采用隐马尔科夫（HMM）网络模型对孤立词、非特定人语音信号进行模式识别。
系统的字表依次为10词、20词、30词、40词、50词，每字采集60次发音，共15人，每人发音4次，前10人的发音作为训练集，其余5人发音作为测试集。
表1是仿真试验结果。
由表1分析得到：（1）通过对表中所有识别率的对比，两种特征的识别率都在90%以上，WMFCC的识别率基本在95%左右，明显高于MFCC；（2）从上到下看结果，随词汇量增大，两种特征参数的识别率差值最高达到 2.49，并且WMFCC特征的识别率下降幅度较小，从而说明了在较大词汇量识别中，WMFCC 有更好的识别效果。
本文在MFCC特征参数提取的基础上引入了小波分析技术，得到了WMFCC 语音识别特征参数。
通过仿真试验表明，在较大词汇量情况下，有更好的识别结果。
参考文献
[1]赵力.语音信号处理[M].北京：机械工业出版社，2003.
[2]张震，王化清.语音信号特征提取中Mel倒谱系MFCC的改进算法[J].计算机工程与应用，2008，44（22）.
[3]俸云，景新幸，叶懋.MFCC特征改进算法在语音识别中的应用[J].计算机工程与科学，2009，31（12）：146-148.
[4]赵姝彦，张雪英.基于ZCPA和DHMM的孤立词语音识别系统[J].太原理工大学学报，2005，3（36）：246-249.
[5]Loizou P C.NOIZEUS：a Noisy Speech Corpus for Evaluation of Speech Enhancement /～loizou/speech/noizeus/，2011-4-23.。