周报-1011-覃春桃1

本周的报告聚焦于使用MATLAB进行语音信号处理的实践，主要涉及了四个关键的时域特征提取方法：短时能量、短时过零率、短时平均幅度和短时自相关。这些特征在语音识别、语音编码和噪声抑制等领域扮演着重要角色。 短时能量是衡量一段信号能量大小的指标，计算公式为各点信号的平方和。在语音信号中，清音段（如s、t等）的能量通常低于浊音段（如a、b等）。在实验中，选择了两首具有不同节奏的10秒音乐片段来验证这一特性。帧长选取通常为10-30毫秒，帧移10-15毫秒，确保在该时间段内信号可以被视为相对稳定。 短时过零率是衡量信号波形穿越零电平的次数，这对于区分清音和浊音非常有效。清音由于其快速的变化和较高的频率成分，过零率通常较高。同样，实验中也通过计算并对比两首歌曲的过零率来证实了这一点。 接下来，短时平均幅度是测量音频信号幅度变化的函数，不同于短时能量，它不涉及平方操作。因此，低频段（浊音段）的幅度值通常较大，而高频段（清音段）则较小。 短时自相关函数用于估计浊音的基音周期，这是声带振动产生的周期性气流导致的。基音周期的检测是语音识别中的重要环节，因为它携带了大部分的语音信息。自相关函数可以揭示信号的周期性，从而帮助我们找到浊音的基音周期。 此外，报告还提到了使用支持向量机（SVM）进行分类的可能性。MATLAB自带的SVM分类器可以用于训练和分类任务。`svmtrain`函数允许用户选择不同的核函数，如线性、多项式、径向基函数（RBF）等，并可以通过`showplot`参数决定是否显示分类结果的可视化。`svmclassify`函数则用于对新的数据点进行分类预测。 这份周报展示了基于MATLAB的语音信号处理流程，包括特征提取和机器学习模型的应用，这些都是语音处理领域研究和开发的基础。通过短时能量、过零率、平均幅度和自相关这些特征，可以深入理解语音信号的特性，进而进行有效的语音分析和识别。同时，SVM作为强大的分类工具，可以在处理复杂数据集时提供良好的性能。