经验模式分解改善的ACF基音检测算法

"宗源、李平等在2013年9月的《南京师大学报(自然科学版)》第36卷第3期上发表了一篇论文，研究了一种基于经验模式分解（EMD）的ACF基音检测改进算法。该算法旨在解决传统自相关函数（ACF）基音检测方法可能出现的倍频错误问题。通过EMD方法，语音信号的一帧ACF被分解为多个本征模式函数（IMF）和残余分量。通过对IMF的能量分布分析，选取含有基音信息的IMF，进而更精确地估计出语音帧的基音。实验结果显示，该算法相比传统ACF算法有显著的性能提升，并且在与WAC算法的对比中也表现出优越性。" 在语音信号处理领域，基音检测是关键步骤之一，用于识别声音信号的基本频率，尤其是在语音合成、语音识别以及音乐分析等应用中。传统的自相关函数基音检测算法虽然简单易行，但在某些情况下可能会出现倍频错误，即误将基音的倍数频率识别为基音频率，导致检测结果不准确。 经验模式分解（Empirical Mode Decomposition，EMD）是一种数据驱动的时间序列分析方法，能将复杂信号分解为一系列简单且具有局部特征的本征模式函数和一个残余分量。在本文提出的改进算法中，EMD被用来分解语音信号的自相关函数，以分离出与基音相关的信息。通过分析这些IMF的累积能量分布，可以识别出包含基音信息的特定IMF，进一步利用这个IMF来估计基音频率，从而提高了基音检测的准确性。 仿真实验表明，这种基于EMD的ACF基音检测改进算法在性能上优于传统的ACF算法，这意味着它减少了倍频错误的发生，提高了基音估计的精度。此外，与检测效果较好的WAC（可能是Windowed Autocorrelation）算法相比，该改进算法仍然显示出一定的性能提升，这突显了其在复杂语音环境中的适应性和有效性。 关键词涉及了基音检测、经验模式分解、自相关函数以及本征模式函数，这些都是本文研究的核心概念。中图分类号 TN912 指的是电子与通信技术，文献标志码 A 表明这是一篇原创性科研论文，文章编号则标识了该论文在期刊中的具体位置。这篇论文为基音检测提供了一种新的、有效的解决方案，尤其对于改善基于自相关函数的方法的性能，具有重要的理论与实践意义。