搜索资源列表
some_advices_for_design
- 关于软硬件设计的一些建议,希望对从事开发的人员会有帮助,主要有语音的混合技术,背景的合成技术和总线设计的方法.-some of the recommendations for software and hardware designer, and hope to engage in staff development will be helpful, contained mixture of voice technology, mixture of background technology a
modelbasedonspectrumprediction
- 文章展示了基于高斯混合模型的语音频谱预测方法。频谱预测可能在传包过程中预防丢包这方面起到大作用。期望最大化算法用两倍或三倍的连续语音因素来测试模型。模型被用来设计第一，儿等指令预测量。预测表用频谱分配状态来估计并和一个简单的参考模型对比。最好的预测表得到一个平均频率扭曲值是0.46dB小于参考模型-This paper presents methods for speech spectrum prediction based on Gaussian mixture models. Spec
BSSby-ICA-algorithm-
- 关于盲信号处理的毕业论文采用ICA算法，该盲信号处理主要针对语音信号号的混合和分离，用matlab进行仿真实现-About the treatment of the graduation thesis, trimmers by ICA algorithm
activity-recognition--based-on-hmm
- 一种HMM可以呈现为最简单的动态贝叶斯网络。隐马尔可夫模型背后的数学是由LEBaum和他的同事开发的。它与早期由RuslanL.Stratonovich提出的最优非线性滤波问题息息相关，他是第一个提出前后过程这个概念的。 在简单的马尔可夫模型（如马尔可夫链），所述状态是直接可见的观察者，因此状态转移概率是唯一的参数。在隐马尔可夫模型中，状态是不直接可见的，但输出依赖于该状态下，是可见的。每个状态通过可能的输出记号有了可能的概率分布。因此，通过一个HMM产生标记序列提供了有关状态的一些序
MELP
- 文基于LPC的自适应前后向量化技术,提出了一种可变速率的混合激励线性预测MELP语音编码算法.该算法中,采用当前语音帧(前向LPC)或前面某帧已合成语音帧(后向LPC)进行线性预测,当采用后向LPC时,只需传输时间序列编码,故减少了LPC系数的平均编码比特.计算机模拟表明,该算法与标准MELP算法合成的语音质量相当,但显著减少了LPC的传输带宽,从而明显降低了MELP平均编码速率.-VARIABLE-RATE MELP SPEECH CODER BASED ON ADAPTIVE FORWARD
2.4Pkb-sPMELP
- 提出了一种新的工作于极低码率下的混合激励线性预测(MELP)声码器.该声码器结合了线性预测编码(LPC)和多带激励编码算法的优点,对算法和量化方案重新进行了设计和改造,其主要特征包括改进的基音检测算法、混合的周期脉冲和随机噪声激励、有效的线性谱频率(LSF)参数量化以及激励谱形状表示.非正式主观测试表明,由采用本算法的一个2.4 kb/s编码器所重建的语音质量略优于美国联邦标准4.8 kb/s码激励线性预测编码(CELP)所重建的语音质量.-New Mixed Excitation Linear
MELPcodepaper
- 目前2.4kbps的混合激励线性预测 (MELP) 语音编码方法已经被确定为美国新的联邦语音编码标准.本文提出了一种改进的MELP语音编码方法,利用滤波器相似度和基于LPC系数分类的矢量量化技术,可以把MELP的码率降到1.7kbps以下,仍有较好的合成语音质量.-An Improved MELP Speech Coder
melp5
- 在混合激励线性预测(MELP)语音编码算法中,语音帧的突变转换导致合成语音质量的下降成为一个突出问题.为解决该问题,提出一种基于过渡帧判决算法的改进MELP模型,提高了参数估计的准确度,有效实现了语音的降噪处理.-In the hybrid excitation linear prediction (MELP) speech coding algorithm, the abrupt change of the speech frame leads to the degradation of sy
melppaper6
- 为了提高深度模型的编码重构性能,本文为传统对比散度(Contrastive divergence,CD)添加了基于交叉熵的重构误差约束。利用改进后的算法训练了重构性深度自编码机(Reconstructive deep au-to-encoder,RDAE),并用 RDAE 替换混合激励线性预测编码(Mixed excitation linear prediction, MELP)语音编码器中 LSF 参数的矢量量化方法。测试结果表明,改进后的算法在损失一定模型似然度的条件下获得了重构性能的提升,