基于盲源分离的语音识别前端语音净化处理研究

摘要：研究了利用盲源分离理论解决语音识别之前的语音净化问题。基于MSICA算法良好的性能、低复杂度和实时性，设计了以TI公司的TMS320C6416数字信号处理器为内核的语音净化系统。该系统可以使语音识别系统获得纯净语音，从而有效提高语音识别系统的识别率和鲁棒性gps工作原理。关键词：盲源分离 DSP 语音识别 语音净化 目前针对语音识别提出了很多算法，但是这些研究基本上都是基于较为纯净的语音环境，一旦待识别的环境中有噪声和干扰，语音识别就会受到严重影响。因为大多数语音识别的语音模板基本上是在无噪声和无混响的“纯净”环境中采集、转换而成。而实现环境中不可避免地存在干扰和噪声，包括其他人的声音和回声等，这些噪声有时很强，使语音识别系统的性能大大降低甚至瘫痪。已有的信号去噪、参数去噪和抗噪识别等方法都有一定的局限。如果能实现噪声和语音的自动分离，即在识别前就获得较为纯净的语音，可以彻底解决噪声环境下的识别问题。近年来取得很大进展的盲源分离为噪声和语音的分离提供了可能。盲源分离（Blind Source Separation）的算法众多且运算复杂，经比较，其中T.Nishikawa等人提出的分阶段ICA方法（MSICA）适合有混响的噪声环境中的语音分离问题。

传统的语音识别技术基于gmm-hmm(混合高斯模型和隐马尔科夫模型)进行声学模型的建立，这种方式的准确度有待提高。”为了解释这一核心技术，张岩再次画了一张图阐述：“当用户与产品进行交互的时候，麦克风阵列中的每个麦克风同时拾音，思必驰独有的算法降噪和语音增强技术以及阵列排布，能够有效定位用户位置，误差在±。骨传导语音装置可以直接将声波通过-骨送至内耳，开放双耳有效听取环境声音，有效克服高噪声掩蔽效应，高噪声环境中保证收听清晰，而无高音量损伤听力问题，之所以可以消除所有的背景噪音，因为语音骨导音乐振子是一种转换器，能直接转换电子信号为机械信号。

理想的负反馈信号与源信号相位差180°（如图8：相位偏移），因此它的起始点在－180°。然后根据亮度信号、色度信号、同步信号和色同步信号在时域和频域中的特点，利用它们在频率、相位、时间、幅度等方面的差异进行分离。ntp时间服务器通过接收北斗卫星、gps、sdh、ptp、b码等外部时间基准信号，ntp时间服务器通过智能时间源控制算法，实现多时间源的智能切换，输出高精度、可靠的时间信号和时间信息。

2 DSP硬件系统设计 2．1 硬件结构 为实现上述算法设计了DSP语音分离系统，该系统主要参数如下： %26;#183;TMS320C6416 DSP； %26;#183;16M words FLASH ROM; %26;#183;两个EMIF：64-Bit EMIFA和16-Bit EMIFB; %26;#183;133MHz的16MB SDRAM； %26;#183;两个16-bit立体声CODEC：TLV320AD50。TMS320C6416有很高的信号处理能力以及丰富的片内存储咕嘟和片内外设，且有两级内部存储结构。第一级L1缓存包含各为16KB的程序和数据存储器，第二级L2包含1024KB的存储空间。第一级只能作为缓存而第二级可以被设置为部分静态RAM和部分缓存。在语音净化系统中，设置L2为4通道256KB缓存和768KB静态RAM。这种配置使用了最大允许的缓存，是因为MSICA算法将处理大量的数据，访问外部存储器会有瓶颈，而大缓存可以将诸如中断服务程序、常用函数的代码、软件堆栈等关键数据段和反复使用的系数存储于片内存储器中，从而大大提高内部存储空间的使用效率。

6416的两个多通道缓冲串口（McBSP）用作数据的输入输出端口。模拟接口芯片TLV320AD50可以提供16bit的数/模、模/数转换，最大转换率是22.5kHz。采样率为8kHz，两个TLV320AD50分别通过McBSP与TMS320C6416相连。两路混合语音信号通过模拟接口电路转化为数字信号，两路数字信号通过TMS320C6416的两个McBSP输入，根据语音特征存储中存储的语音特征进行语音分离，分离出纯净的特识别语音，进行语音识别，最后输出识别结果。系统框图见图3。 2．2 软件流程 系统上电后，存储在FLASH ROM中的程序将装入TMS320C6416的片内RAM中，程序对寄存器、中断向量表和编码进行初始化并对片内McBSP进行配置，完成这些初始化的任务后系统采集并处理语音信号。系统首先对目前状态进行辨识。开机后的状态分为非识别状态和识别状态，非识别状态 下系统将采集纯正语音信号，提取出语音特征送入存储器中作为模板；识别状态下首先参数考纯净语音的特征对采集的双路混合信号进行分离，获得纯净的待别语音，最后送入识别系统完成语音识别。整个流程见图4。具体分离步骤在初始化之后，主函数程序进入一个等待循环，在一个新的采样输入被获取之后与中断服务程序（ISR）一起工作并调用分离程序。

间8节点六面体单元分析的算例4.9 本章要点4.10 习题第5章 有限元分析中的若干问题讨论5.1 单元的节点编号与总刚度阵的存储带宽5.2 单元形状函数与刚度矩阵系数的性质5.2.1 形状函数的性质5.2.2 刚度矩阵系数的性质5.3 边界条件的处理与支反力的计算5.4 单元位移函数构造与收敛性要求5.4.1 选择单元位移函数的一般原则5.4.2 关于收敛性问题5.4.3 位移函数构造的收敛性准。最后整个定时工作的原理就是，在系统初始化时候的tmrinit()函数将配置分频系数ostmrupdatecnt并创建一个任务os_tmrtask任务等待信号量，在滴答定时器内检查内次到达分频系数减到0的时候post信号给os_tmrtask任务，此任务就可以继续执行检查是哪一个定时器到期此处同样使用哈希求余算法快速查找，查找到定时器到期根据是否为周期定时器进行相应的操作并调用对应函数的回调函数。 函数对象 算法 stl算法本身是一种函数模版 通过迭代器获得输入数据 通过函数对象对数据进行处理 通过迭代器将结果输出 stl算法是通用的，独立于具体的数据类型、容器类型 stl算法分类 不可变序列算法 可变序列算法 排序和搜索算法 数值算法 * 算 法 不可变序列算法 不可变序列算法 不直接修改所操作的容器内容的算法 用于查找指定元素、比较两个序列是否相等、对元素进行计数等 例： template class inputiterator, class unarypredicate inputiterator find_if inputiterator first, inputiterator last, unarypredicate pred 。

代码又不在程序中的函数，当pe 文件被装入内存的时候，windows 装载器才将dll 装入，并将调用导入函数的指令和函数。第二点比较好理解，第三点是因为内联函数在编译器处理阶段会进行内联替换，将内联函数的代码直接拷贝替换，此时的内联函数将作为调用其的内部代码，而不是一个真正意义上的函数，所以其没有函数地址，也就无法进行vtable的构造，所以将其设置为虚是不会起作用的。numba通过及时编译机制（jit）优化python代码，numba可以针对本机的硬件环境进行优化，同时支持cpu和gpu的优化，并且可以和numpy集成，使python代码可以在gpu上运行，只需在函数上方加上相关的指令标记，。

系统另一个瓶颈是对外部存储器的访问。对混合语音的分离需要处理大量的数据，存储和访问可能是DSP系统的最大瓶颈。通过使用缓存可以缓解瓶颈，优化在外部和内部存储中的数据定位可以提高系统的性能。最后，使用C编译器的最优化选项编译代码。 上述的优化并非已经完全，在后续的研究中代码可以进一步优化，如可改进以下几处：首先，使用DMA以提高存储器访问的性能并减少存储器消耗；其次，为了避免浮点溢出可以将代码全部转换为定点，对代码中的关键循环进行更好的组织以实现软件流水线；最后，为了最大程序提高性能可以使用线性汇编语言并对部分代码进行汇编层的优化。2．4 实验结果 采用两组混合语音来测试，即单独录制两个纯净的信号源，图1所示模型用MATLAB混合（忽略噪声），通过净化系统得到两级分离信号并与原始语音进行比对。x1(t)和x2(t)即为两个麦克风的输入信号。使用以下两组声音信号作为测试信号，第一组为语音和音乐信号，第二组为两个语音信号，都是16kHz采样16bit单声道文件，长度均为7s。图6与图7分别为上述两组混合语音的分离结果，从中可以看出分离效果非常令人满意，达到了带噪语音的净化效果。在实验室环境引入语音净化系统后，语音识别的速度虽然略有下降，但是识别语音的信噪比有显著提高，在有不同信噪比的音乐和混响噪声的背景中，识别率平均提高30%以上。

本文来自电脑杂谈，转载请注明本文网址：
http://www.pc-fly.com/a/shumachanpin/article-102562-1.html