频谱校正及数据密度聚类法语音欠定盲识别方法和装置

摘要

本发明属于数字信号处理技术领域，为提高算法精度；显著提高算法的效率；使算法对噪声的鲁棒性更强。本发明采用的技术方案是，频谱校正及数据密度聚类法语音欠定盲识别方法，包括如下步骤：Step1：做加汉宁窗L点50％重叠的短时傅立叶变换STFT，得到观测频谱X_m(t,k)；Step2：逐帧对STFT观测频谱做频谱校正；Step3：对于上述特定时间帧t₀，对所有谐波参数对进行模式提纯；Step4：将上述Step2及Step3逐帧进行，收集所有时间帧得到的SAS模式组成单源域Ω＝{z_i,i＝1,…,P}，P为单源域的模式数目；Step5：对单源域中的SAS模式进行数据密度聚类。本发明主要应用于数字信号处理。

主权项

一种频谱校正及数据密度聚类法语音欠定盲识别方法，其特征是，步骤如下：Step 1：对观测信号x_m(t),m＝1,…,M做加汉宁窗L点50％重叠的短时傅立叶变换STFT，得到观测频谱X_m(t,k)，t为时间，k为谱线位置，m为当前观测的下标，M为观测数目；Step 2：逐帧对STFT观测频谱做频谱校正，对于某一特定时间帧t₀，具体操作为：1)收集时间帧t₀的观测频谱X_m(t₀,k)的所有峰值的位置k_p，p为当前谱峰的下标；计算峰值X_m(t₀,k_p)及其次峰的比值v_p，m为当前观测下标：$v_p=\frac{X_m(t_0,k_p)}{max\left\{\right|X_m(t_0,k_p-1)|,|X_m(t_0,k_p+1)\left|\right\}}.---\left(1\right)$则可得到中间参数u_pu_p＝(2‑v_p)/(1+v_p)     (2)2)根据参数u_p估计频率偏移则频率估计为${\hat{\omega }}_{m,p}=(k_p+{\hat{\delta }}_p)2\pi /L---\left(4\right)$3)幅值估计及相位则分别为${\hat{d}}_{m,p}=2\pi {\hat{\delta }}_p(1-{\hat{\delta }}_p^2)\left|X_m(t_0,k_p)\right|/sin\left(\pi {\hat{\delta }}_p\right),---\left(5\right)$其中ang(·)代表取相角运算，得到较多的谐波参数集合Step 3：对于上述特定时间帧t₀，对所有谐波参数对进行模式提纯，具体操作为1)将频率集合进行混合，为观测1～M的频率成分；按照升序排列，得到Q个簇，其中第q个簇为为当前簇的下标，Γ_q为该簇的元素个数，为当前簇中p′个成分，则合并后的频率为${\bar{\omega }}_q=\frac{1}{{\Gamma }_q}\underset{p^{\prime }=1}{\overset{{\Gamma }_q}{\Sigma }}{\tilde{\omega }}_{q,p^{\prime }},---\left(7\right)$则可得到合并后的频率序列2)找出中满足给定一个小阈值ε>0，对于每个m都存在且仅存在一个下标满足下式：$|{\hat{\omega }}_{m,{\bar{p}}_{m,q}}-{\bar{\omega }}_q|<ϵ,$则该频率对应一个候选有效模式其中为观测1～M相应成分的幅值，观测1～M相应成分的相位；3)将有效模式作为输入，按照下式识别中的SAS模式，并记为将所有投影的组合情况考虑后，共有种情况，得到最终的判定准则为C代表组合操作，r及l代表从1到M遍历的两个变量；Step 4：将上述Step 2及Step 3逐帧进行，收集所有时间帧得到的SAS模式组成单源域Ω＝{z_i,i＝1,…,P}，P为单源域的模式数目，z_i为单源域中第i个成分；Step 5：对单源域中的SAS模式进行数据密度聚类，具体操作如下1)计算任两个模式点的特征距离d_i,jd_i,j＝||z_i‑z_j||,1≤i,j≤P,i≠j；   (8)i,j为从1到P变化的变量；2)计算每个模式点的局部数据密度ρ_i,i＝1,…,P如下式，${\rho }_i=\underset{j}{\Sigma }\chi (d_{i,j}-d_c),$其中，χ(·)为一个阈值函数，d_i,j为当前模式与其他模式的距离其中参数，d_c为邻域截止距离，$\chi \left(t\right)=\left\{\begin{array}{c}1,t\le 0\\ 0,t>0\end{array}\right.;---\left(9\right)$3)将ρ_i,i＝1,…,P按照降序排列，得到下表序列{q_i,i＝1,…,P}，使得4)按照下式计算每个模式点的特征距离：${\delta }_i=\left\{\begin{array}{cc}\underset{j\ge 2}{max}\left(d_{q_i,q_j}\right),& i=1;\\ \underset{q_j,j<i}{\min }\left(d_{q_i,q_j}\right),& i\ge 1;\end{array}\right.$其中，将所求局部数据密度序列按照降序排列，得到一个下标序列{q_i,i＝1,…,P}；5)计算每个模式点的局部数据密度及特征距离的乘积γ_i＝ρ_iδ_i,i＝1,…,P，则必有N个γ_i显著大于其他γ_i，即将γ_i降序排列，必存在一个下标集合满足${\gamma }_{{\stackrel{·}{q}}_1}\ge {\gamma }_{{\stackrel{·}{q}}_2}\ge ...\ge {\gamma }_{{\stackrel{·}{q}}_N}>>{\gamma }_j,j\notin \Lambda .---\left(10\right)$因而，即为N个聚类中心，对于中心将其周围距离小于的模式进行统计平均，即得到最终的混合矩阵列向量估计对所有聚类中心进行此操作，最终得混合矩阵估计