基于omp和gammatone的压缩感知语音增强与识别系统优化

本文主要探讨了一种创新的基于压缩感知（CS）的语音增强识别系统，针对传统压缩感知方法在抗噪性能上的不足。在2016年的研究中，研究者茅正冲和龚熙针对这个问题提出了一个改进的解决方案。他们的系统在使用正交匹配追踪（OMP）算法进行语音信号重构时，引入了相关度阈值和语音恢复阈值的概念，这有助于精确地识别和恢复纯净语音信号，同时有效地提升了抗噪声的能力，降低了计算复杂度。 传统的压缩感知方法依赖于信号的稀疏性来恢复信号，但可能在处理噪声信号时效果不佳。新系统通过调整这两个阈值，使得算法能够更加智能地筛选出与语音信号相关的部分，排除噪声干扰。此外，他们还对迭代算法进行了优化，提高了系统的稳定性和效率。 重构后的语音信号被进一步通过Gammatone滤波器组进行特征参数GFCC（Gammatone Filterbank Constant Q cepstral coefficients）提取，这是一种常用的声音特征表示方法，能够捕捉到语音信号的频谱特性。这些特征参数随后被输入到高斯混合模型中进行匹配，用于声纹识别。高斯混合模型是一种强大的统计建模工具，能够很好地模拟实际的声纹分布，从而提高识别精度。 实验结果显示，这种基于压缩感知的语音增强识别系统在实际应用，如声纹识别系统中表现出显著的优势，包括提升识别率和鲁棒性。这意味着它在嘈杂环境下的性能得到了明显改善，对于实际场景中的语音识别任务具有很高的实用价值。 论文的研究背景是基于江苏省自然科学基金和国家自然科学基金的支持，两位作者分别在机器人视听觉识别和声纹识别领域有深入研究。他们的工作不仅解决了压缩感知在抗噪问题上的局限，也为相关领域的信号处理和语音识别技术提供了新的思路和方法。 这篇论文的核心贡献在于提出了一种有效的语音增强策略，通过结合压缩感知、正交匹配追踪、抗噪算法和特征提取技术，显著提高了语音识别系统的性能，具有重要的工程应用价值。