-
题名一种基于短时平均幅度差的语音检测算法
被引量：7
- 1
-
-
作者
熊琦
杜旭
朱晓亮
-
机构
华中科技大学电子与信息工程系湖北省智能互联网重点实验室
-
出处
《电声技术》
2006年第9期50-53,共4页
-
文摘
提出了一种利用语音信号的短时平均幅度差特征并结合短时平均幅度的语音检测算法。该算法在专用通信系统中,用以对接收到的电台信号进行分析,判断其中是否有语音信号,从而控制半双工电台的发射开关,使其处于接收或发射状态。实验表明,该算法能在较低的信噪比情况下准确地检测出语音信号,而且计算方法简单,硬件处理容易,可靠性高,能够满足实时系统的需要。
-
关键词
语音检测
短时平均幅度差
短时平均幅度
-
Keywords
voice active detection
short-time average magnitade difference function
short-time average magnitude
-
分类号
TN912.3
[电子电信—通信与信息系统]
-
-
题名一种改进的短时平均幅度差函数算法
被引量：1
- 2
-
-
作者
马英
于向飞
-
机构
青海民族大学物理与电子信息工程学院
-
出处
《应用声学》
CSCD
北大核心
2010年第5期387-390,共4页
-
文摘
在语音信号分析中,对于基音周期的提取目前已有较多的分析和处理方法,在现有的短时平均幅度差函数(AMDF)的处理方法中,只需要加、减和取绝对值运算,运算量较之短时自相关函数大大下降。同时,AMDF函数的谷点提取基音周期比自相关函数的峰值更加尖锐,错判率相对较少,稳健性更高。然而,传统的AMDF算法对窗长的要求较为严格,窗长较短就会有较大的误差。本文针对该缺陷做出的改进算法,使之无论窗长多大均会有较为准确的结果,大大拓展了AMDF算法的适用空间。进一步,将其与同态处理结合,会有更好的效果。
-
关键词
短时平均幅度差函数
同态处理
基音周期
MATLAB
-
Keywords
AMDF, Homomorphic processing, Pitch cycle, MATLAB
-
分类号
TN912.3
[电子电信—通信与信息系统]
-
-
题名基于Bi‑LSTM和时序注意力的异常心音检测
- 3
-
-
作者
卢官明
蔡亚宁
卢峻禾
戚继荣
王洋
赵宇航
-
机构
南京邮电大学通信与信息工程学院
南京邮电大学计算机学院
南京医科大学附属儿童医院心胸外科
-
出处
《南京邮电大学学报(自然科学版)》
北大核心
2025年第1期12-20,共9页
-
基金
国家自然科学基金(72074038)
江苏省卫生健康委员会重点项目(K2023036)资助项目。
-
文摘
异常心音检测是对心脏病进行初步诊断的一种有效而方便的方法。为提升异常心音的检测性能,提出了一种基于双向长短时记忆网络(Bi⁃directional Long Short⁃Term Memory,Bi⁃LSTM)和时序注意力的异常心音检测算法。首先对心音片段进行分帧处理,使用平均幅度差函数(Average Magnitude Difference Function,AMDF)和短时过零率(Short⁃Time Zero⁃Crossing Rate,STZCR)提取每帧心音信号的初始特征;然后将它们拼接后作为Bi⁃LSTM的输入,并引入时序注意力机制,挖掘特征的长期依赖关系,提取心音信号的上下文时域特征;最后通过Softmax分类器,实现正常/异常心音的分类。在PhysioNet/CinC Challenge 2016提供的心音公共数据集上对所提出的算法使用10折交叉验证法进行了评估,其准确度、灵敏度、特异性、精度和F1评分分别为0.9579、0.9364、0.9642、0.8838和0.9093,优于已有的其他算法。实验结果表明,该算法在无需进行心音分段的基础上就能有效实现异常心音检测,在心血管疾病的临床辅助诊断中具有潜在的应用前景。
-
关键词
心音分类
平均幅度差函数
短时过零率
双向长短时记忆网络
时序注意力机制
-
Keywords
heart sound classification
average magnitude difference function(AMDF)
short-time zerocrossing rate(STZCR)
bi-directional long short-term memory network(Bi-LSTM)
temporal attention mechanism
-
分类号
TN912.3
[电子电信—通信与信息系统]
-
-
题名低速率DoS攻击的短时分析算法的研究
- 4
-
-
作者
白媛
白中英
-
机构
天津理工大学计算机视觉与系统省部共建教育部重点实验室
天津理工大学天津市智能计算及软件新技术重点实验室
北京邮电大学计算机学院
-
出处
《高技术通讯》
CAS
CSCD
北大核心
2011年第9期928-933,共6页
-
基金
863计划（2008AA011004）资助项目.
-
文摘
针对低速率拒绝服务（DoS）攻击难以检测的问题，提出了采用短时分析技术检测和防御低速率DoS攻击的方法。该方法用短时过界率实现低速率DoS攻击的检测，用短时幅度差（SMD）防止检测过程中的误报。短时分析技术和传统的频域变换方法比较，用更低的时间复杂度实现低速率DoS攻击的检测；用修正的短时自相关函数实现攻击周期估计，估计的周期应用在周期规避方法中实现低速率DoS攻击的防御，周期规避防御方法改进了已有的协议修正防御方法。理论分析和仿真结果证明了短时分析技术在实现低速率DoS攻击的检测防御方面具有可行性和优越性。
-
关键词
低速率DoS攻击
短时分析
短时过界率
短时幅度差(smd)
周期估计
-
Keywords
low-rate DoS attack, short-time analysis, short-time threshold-crossing rate, short-time magnitude difference （smd）, period estimation
-
分类号
TP393.08
[自动化与计算机技术—计算机应用技术]
-
-
题名一种高性能汉语语音基音周期估计方法
- 5
-
-
作者
李祖鹏
姚佩阳
-
机构
空军工程大学电讯工程学院
-
出处
《空军工程大学学报（自然科学版）》
CSCD
2000年第4期45-47,共3页
-
文摘
在分析 AMDF基音周期估计方法的基础上 ,提出一种新的汉语语音基音周期估计方法MAMDF( Modified AMDF)。实验证明 ,MAMDF方法可以获得更好的基音估计精度和时域分辨度。
-
关键词
语音基音周期估计
短时平均幅度差函数
时域分辨度
-
Keywords
pitch estimation
average magnitude difference function
time resolution
-
分类号
N55
[自然科学总论]
-
-
题名一种新的子带声音强度参数及提取算法
被引量：1
- 6
-
-
作者
田春环
姜占才
李小航
-
机构
青海师范大学物理系
-
出处
《电子设计工程》
2016年第20期171-173,177,共4页
-
基金
国家社科基金项目资助(15XYY026)
-
文摘
为了使混合激励线性预测语音编码器(MELP)的应用更接近实际,提出了一种基于短时幅度与短时平均幅度差函数的子带声音强度提取方法。该方法根据MELP声码器解码语音的(MOS)评分得出最佳的线性组合系数,进而求出5个子带的清/浊音强度,并将其植入MELP声码器中。仿真实验表明,该算法不仅与原算法具有相同的效果,而且算法复杂度低。
-
关键词
清/浊音强度
短时幅度
短时平均幅度差函数
线性组合
-
Keywords
unvoiced/voiced intensity
short-time magnitude
short-time average magnitude difference function
linear combination
-
分类号
TN912.35
[电子电信—通信与信息系统]
-
-
题名低端DSP芯片的语音处理算法研究
被引量：2
- 7
-
-
作者
杨军
周启靖
晋宗俊
邓莎
-
机构
武汉龙安集团有限责任公司
-
出处
《无线电通信技术》
2011年第1期44-46,共3页
-
文摘
介绍了一种利用TI公司的TMS320VC5402定点DSP芯片实现的基于语音能量、短时平均幅度差和过零率的语音检测器,给出了算法的详细设计过程和DSP硬件实现方案,该方案在专用通信系统中,用以对接收到的电台信号进行分析,判断其中是否有语音信号,从而控制半双工电台的发射开关,使其处于接收或发射状态。实验表明,该算法能在较低的信噪比情况下准确地检测出语音信号,而且计算方法简单,硬件处理容易,可靠性高,能够满足实时系统的需要,在对DSP在其他方面的应用也有一定的参考价值。
-
关键词
DSP
语音检测
短时平均幅度差
短时能量
过零率
-
Keywords
DSP
voice detection
short-time AMDF
short-time energy
zero crossing rate
-
分类号
TN912.3
[电子电信—通信与信息系统]
-
-
题名基于特征参数LPCC与AMDF的异常声音检测
被引量：2
- 8
-
-
作者
许文杰
杨淇善
-
机构
北京工业大学信息学部
-
出处
《长江信息通信》
2021年第10期110-113,共4页
-
文摘
区别于视频监控这一重要技术手段,异常声音从监控者的听觉角度十分高效的反映出监控场景的异常情况,对于监控公共场所的安全有着十分显著的作用。因此,异常声音的研究方法也受到了国内外许多学者和机构的重视。文章提出了一种由线性预测倒谱系数(Linear Prediction Cepstrum Coefficient,LPCC)与短时平均幅度差(Average Magnitude Difference Function,AMDF)融合的新型联合特征参数并结合高斯混合模型(Gaussian Mixture Model,GMM)应用于异常声音检测工作,实验结果显示所实现方法在对危险声音检测时得到了较好检测准确率。
-
关键词
异常声音
线性预测倒谱系数
短时平均幅度差
特征融合
高斯混合模型
-
Keywords
Abnormal audio
LPCC
AMDF
Feature fusion
GMM
-
分类号
TN912
[电子电信—通信与信息系统]
-
