强噪声下基于HHT和OSF的语音检测优化策略

本文主要探讨了"基于HHT和OSF的强噪声环境语音检测"这一主题，由卢志茂和金辉两位作者合作完成，他们的研究得到了国家自然科学基金的支持（NO.60975042, NO60903082）。论文聚焦于解决在高噪音环境中，传统的希尔伯特-黄变换（Hilbert-Huang Transform, HHT）在分析语音信号时遇到的问题。HHT作为一种全数据驱动的自适应非平稳信号时频分析方法，其优势在于能够捕捉信号的局部特征，但在强噪声下，语音信号的希尔伯特能量谱曲线容易受到噪声干扰，导致端点检测性能下降。 作者们提出了一个结合HHT与顺序统计滤波（Order Statistics Filter, OSF）的方法来改善这一问题。首先，他们采用经验模态分解（Empirical Mode Decomposition, EMD）技术，将含噪语音信号分解为固有模态函数，这些函数反映了信号的自然分量。然后，通过自适应权重选择，对固有模态函数的希尔伯特能量谱进行优化，以减小噪声的影响。 进一步，他们利用顺序统计滤波器对每一帧的能量谱进行平滑处理，这样可以有效抑制噪声的随机波动，提高语音信号与背景噪声的区分度。这种方法的优势在于其鲁棒性，即使在低信噪比条件下，也能有效地检测到语音信号，从而降低了误检率。因此，这项工作对于实际应用中的语音识别系统在强噪声环境下提升性能具有重要意义。 该论文的关键词包括信号处理、希尔伯特-黄变换、经验模态分解、顺序统计滤波以及端点检测，这些词汇准确地概括了研究的核心内容和技术路径。研究结果显示，这种基于HHT和OSF的方法在处理复杂噪声环境下的语音检测任务上表现出优秀的效果，值得相关领域的研究者进一步探索和借鉴。