【技术实现步骤摘要】
一种基于BP网络的噪声分类方法
本专利技术涉及一种噪声分类方法。特别是涉及一种基于BP网络的噪声分类方法。
技术介绍
在语音信号的处理过程中，噪声污染的问题不可避免。随着数字语音信号在科研和生活中的广泛应用，噪声对数字语音信号的影响愈专利技术显，如何有效地抑制噪声，提高语音信号的质量和可懂度成为众多学者研究的热点。而在语音增强技术中，一大研究难点则是噪声的来源众多。不同噪声的统计特性不尽相同，因此在实际应用中，为了达到更好的信号处理效果，需根据应用场合，对不同噪声特性的噪声进行区别处理。一般来说，解决噪声分类问题的关键技术点主要有两个，一是要提取何种特征用于噪声类型的区分；二是对提取的特征运用何种分类技术。对于第一个关键技术点，目前常用的噪声特征有自适应子波特征、短时自相关函数(ShortAuto-correlationFunction,SACF)、bark域能量分布、梅尔倒谱系数(MelFrequencyCepstrumCoefficient,MFCC)、一阶差分梅尔倒谱系数(first-orderMFCC,ΔMF...
【技术保护点】
1.一种基于BP网络的噪声分类方法，其特征在于，包括如下步骤：/n1)对输入的噪声信号进行预处理，包括分帧以及加窗处理；/n2)对预处理后的每一帧噪声信号分别进行傅里叶变换得到噪声信号功率谱；/n3)利用所述的每一帧噪声信号功率谱分别计算每一帧噪声信号的梅尔频率倒谱系数及梅尔频率倒谱系数的一阶差分；/n4)计算每一帧噪声信号的伽玛通频率倒谱系数；/n5)将每一帧噪声信号的梅尔频率倒谱系数、梅尔频率倒谱系数的一阶差分和伽玛通频率倒谱系数组合作为该帧噪声信号的联合特征，将全部帧噪声信号的联合特征中的一部分作为训练数据，另一部分作为测试数据；/n6)训练一级BP网络；/n7)训练...
【技术特征摘要】
1.一种基于BP网络的噪声分类方法，其特征在于，包括如下步骤：
1)对输入的噪声信号进行预处理，包括分帧以及加窗处理；
2)对预处理后的每一帧噪声信号分别进行傅里叶变换得到噪声信号功率谱；
3)利用所述的每一帧噪声信号功率谱分别计算每一帧噪声信号的梅尔频率倒谱系数及梅尔频率倒谱系数的一阶差分；
4)计算每一帧噪声信号的伽玛通频率倒谱系数；
5)将每一帧噪声信号的梅尔频率倒谱系数、梅尔频率倒谱系数的一阶差分和伽玛通频率倒谱系数组合作为该帧噪声信号的联合特征，将全部帧噪声信号的联合特征中的一部分作为训练数据，另一部分作为测试数据；
6)训练一级BP网络；
7)训练二级BP网络；
8)将一级BP网络和二级BP网络联合进行测试，得到最终的噪声信号分类结果。
2.根据权利要求1所述的一种基于BP网络的噪声分类方法，其特征在于，步骤2)是采用如下公式对每一帧噪声信号进行傅里叶变换：
X(i,k)＝FFT[xi(n)]
其中，X(i,k)是第i帧信号在第k条谱线处的功率谱，FFT表示傅里叶变换，xi(n)表示第i帧信号，n表示序列索引号。
3.根据权利要求1所述的一种基于BP网络的噪声分类方法，其特征在于，步骤3)包括：
(3.1)对每一帧噪声信号的功率谱计算谱线能量：
E(i,k)＝[X(i,k)]2
其中，E(i,k)表示第i帧数据在第k条谱线的谱线能量；X(i,k)是第i帧信号在第k条谱线处的功率谱；
(3.2)计算每一帧噪声信号通过梅尔滤波器的能量
其中，S(i,m)表示第i帧信号通过第m个梅尔滤波器的能量，M是梅尔滤波器的总数，Hm(k)表示第m个梅尔滤波器在第k条谱线处的频域响应，N是谱线的总数；
(3.3)计算梅尔频率倒谱系数：
其中，mfcc(i,n)为第i帧噪声信号在第k条谱线处的梅尔频率倒谱系数；
(3.4)计算梅尔频率倒谱系数的一阶差分：
△mfcc(i,k)＝2mfcc(i-2,k)-mfcc(...
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。