申请/专利权人：中国人民解放军军事科学院系统工程研究院

申请日：2023-11-30

公开（公告）日：2024-03-26

公开（公告）号：CN117765969A

主分类号：G10L25/18

分类号：G10L25/18;G10L25/24;G10L25/21;G10L25/45;G10L25/51

优先权：

专利状态码：在审-实质审查的生效

法律状态：2024.04.12#实质审查的生效;2024.03.26#公开

摘要：本发明属于信号处理领域，具体公开了一种EMD风噪抑制下的Mel谱多维特征空间的声音识别方法，包括如下步骤：采用经验模态分解方法，结合非负矩阵分解方法，实现对目标声信号的风噪声抑制；然后，建立声目标的高斯混合模型，提取声目标的希尔伯特‑黄变换的边际谱系数、Mel谱系数以及各谱系数的一阶差分谱等特征参数，将这些特征参数作为声目标的识别参数，根据高斯混合模型准则，训练出多维特征空间的特征向量；将未知声目标与已建立的多维特征向量做对比，得到未知声目标的最大输出概率类型，从而识别出声目标类型。本发明能精确识别出声目标特征，提高了目标识别率，降低了虚警率。

主权项：1.一种EMD风噪抑制下的Mel谱多维特征空间的声音识别方法，其特征在于，包括如下步骤：步骤一、对声信号进行经验模态分解，使用非负矩阵分解方法CSNMF进行信号的特征学习；同时，对经典风噪声进行经验模态分解，剔除高频模态信息后，使用非负矩阵分解方法CSNMF进行信号的特征学习；然后，对声信号进行信噪分离，并重构降噪后的声信号；步骤二、训练标准声信号，根据Mel谱理论，生成MFCC系数及其一阶谱差系数；然后，根据希尔伯特-黄理论，生成边际谱系数及其一阶谱差系数；将两类系数合成一体，并计算各系数的高斯概率密度函数，生成训练好的高斯混合模型；将未知声信号进行模型匹配，未知信号经过信号预处理后，进行两类谱变换，分别生成MFCC系数、边际谱系数及相应的一阶差分谱系数；并计算各系数的高斯概率密度函数，生成待识别脉冲的高斯混合模型；步骤三、将训练好的模型和待识别模型相匹配，计算匹配的最大似然概率，找到最大似然概率所对应的脉冲信号的种类，该种类是待识别脉冲信号的脉冲类型，识别完毕。

全文数据：

权利要求：

百度查询： 中国人民解放军军事科学院系统工程研究院 一种EMD风噪抑制下的Mel谱多维特征空间的声音识别方法

免责声明
1、本报告根据公开、合法渠道获得相关数据和信息，力求客观、公正，但并不保证数据的最终完整性和准确性。
2、报告中的分析和结论仅反映本公司于发布本报告当日的职业理解，仅供参考使用，不能作为本公司承担任何法律责任的依据或者凭证。

阅读全文 双屏查看 官方信息 专利公告 收藏专利 下载PDF 下载WORD