搜索资源列表
voicebox
- matlab的语音处理工作箱，包括分帧，参数计算等等各种功能-The matlab toolbox of speech processing,including enframe, parameter calculating and so on.
getparam
- 在基于hmm的语音识别中计算前向概率，后向概率以及各种参数结构的源代码。-based on voice recognition to the calculation of the probability that after the probability of various parameters of the structure of the source code.
voice464
- 基于dtw算法的语音识别 1 ENFRAME.M和MELBANKM.M取自voicebox工具箱 2 vad.m实现端点检测 3 mfcc.m计算mfcc参数 4 dtw.m实现DTW算法[训练] dtw2.m实现DTW高效算法 5 testdtw.m测试程序-based speech recognition algorithm and a ENFRAME.M MELBANKM.M from v oicebox Toolbox 2 vad.m ach
MatlabSpeechToolbox
- 本工具箱可配合语音数据库使用，用于计算线性预测语音模型的参数，语音声调转换，语音自动解析分解，语音语速变换及更改发音的重音，音量，清晰度等。配套图书《Speech Processing and Synthesis Toolboxes》已经出版，翻译进行中！ -the Toolbox can be used with voice database used in the calculation of linear prediction model parameters voice, Voice
SPECTRUM_LMS
- 1、文件夹中包含了经典功率谱估计和自适应均衡算法两个实验的所有程序。 2、R.m、LMS.m、LMSmain.m为自适应均衡算法的程序： R.m用来计算输入信号的自相关矩阵及其特征值； LMS.m为时域LMS算法，用统计的方法仿真得出不同信道参数和不同步长下的学习曲线； LMSmain.m为实验主程序，按照实验要求中的具体数据得到实验结果和曲线。 3、functionx.m、fzhouqitu.m、spectrum.m、bt.m、bart_lett.m、welch.m、SPE
voicedetect
- 本平台包括语音的录制、播放、保存以及情感计算等功能，您可以根据自己的需要选择选择相应的菜单。 对于语音情感计算这个模块，如果您有现成的语音文件，您可以单击打开按钮，打开您要判断的语句，然后选择相应的功能。 如果您打开的是正常语音文件，请选择清浊分辨，然后再进行特征参数和情感计算；如果您打开的是鼾声，请选择鼾声分辨，并输入您想要的判别门限，然后再进行特征参数等的计算；如果您没有选择上面两个按钮，计算出来的将是原始语音的特征参数。 由于清浊音分辨是我们语音情感计算的预处理，所以如
LMS
- 在这几十年里，数字信号处理技术取得了飞速发展，特别是字适应信号处理技术以其计算简单、收敛速度快等许多优点而广泛被使用。它通过起内部参数的最优化来自动改变其特性。自适应滤波算法在统计信号处理的许多应用中都是非常重要的。在这几十年里，数字信号处理技术取得了飞速发展，特别是字适应信号处理技术以其计算简单、收敛速度快等许多优点而广泛被使用。它通过起内部参数的最优化来自动改变其特性。自适应滤波算法在统计信号处理的许多应用中都是非常重要的。
getparam
- HMM模型中参数计算的方法,包括前向概率,后向概率等用M语言来实现,已经调试通过
030523
- 基音频率#89: <=>?@ABCDEA:CF?>EG@EA H(I& 是语音信号一个非常重要的特征参数\"而传统的基 频检测算法#89: <BE:E :9=ACFJ=>9:<D KL2(M％\"’N大 都运用了自相关或互相关计算等计算复杂度很高的 方法\"而且分帧计算所得到的结果实际上是各帧内 基频的平均值\"这使得大多数算法不能精确地指出 任意时刻的基频\"因此\"如何在保证检测精度的前提 下\"能够找到更为高效和鲁棒的方法仍然
Speechsignallpcc
- 对语音信号进行分帧加窗处理，并计算其lpcc参数
0-9(Speech-Recogenition)用matlab仿真0到9十个数字的语音识别
- 用matlab仿真0到9十个数字的语音识别 1、对语音的WAV文件和LAB文件进行处理，产生十个文件，每个文件对应于一个数字，存贮着该数字的波形文件。（shujuzhengli.m） 2、分别利用上面十个文件训练出十个HMM模板，具体方法是：首先将语音的波形文件分帧，以128个点为一帧，帧移为64，每一帧通过mfcc.m计算出13个系数，随着波形的长度不同，一个语音文件可以计算得到13*N个系数，截取13*15的矩阵（mfcc系数）用作训练数据。一般一个HMM模板用20组mfcc系数
LPCC.rar
- 可以在CCS中运行的LPCC程序，包括语音参数分析主函数，信号的自相关函数，由自相关函数计算LPC预测系数，由LPC预测系数计算LPC倒谱系数，由LPC预测系数计算MEl到普系数等函数,CCS can be run at the LPCC procedures, including analysis of voice parameters of the main function, the signal autocorrelation function, autocorrelation func
deltamfcc.rar
- 提取MFCC特征参数的一阶差分值，前提是MFCC参数已经计算完毕。,MFCC extraction of characteristic parameters of the first-order difference scores, the prerequisite is completion of MFCC parameters have been calculated.
dtw
- 基于MATLAB的语音识别系统,dtw － DTW算法演示程序 mfcc.m － MFCC参数计算程序 dtw.m － 基本的DTW算法 dtw2.m － 优化的DTW算法 testdtw.m － DTW算法测试程序 vad.m － 端点检测程序 -Speech Recognition System Based on MATLAB
lpc
- LPC 10 Code,比较经过lpc编码与没有经过lpc编码的语音差别，用自相关法计算lpc参数。-LPC 10 Code, comparison, after encoding and not LPC LPC voice coding differences, using auto-correlation method to calculate LPC parameters.
BURG
- 本文件为语音识别lpc源码中的burg算法部分。该算法简单实用，适合于进行线性预测参数的计算-This document is for lpc-source speech recognition algorithm in the part of the burg. The algorithm is simple and practical, suitable for the calculation of the linear prediction parameters
lpcy
- 。LPC分析是进行语音分析的有效技术之一,它提供了1 组简洁的模型参数,这组参数能够比较精确地表征语音信号的频谱幅度, 而且获得这些参数所需的计算量相对较小-. LPC analysis is an effective voice analysis technologies, which provides a concise group of model parameters, which can be more precise set of parameters that characteri
chirplet_analasis
- 针对信号自适应chirplet分解未知参数多、实现起来比较困难的特点，文献[1]提出了一种新的chirplet分解快速算法。该算法利用计算信号的二次相位函数，得到其能量分布集中于信号的调频率曲线上的结论，此时通过谱峰检测可同时获得chirplet调频率、时间中心和幅度的估计；然后通过解线性调频技术获得其初始频率和宽度的估计，仿真结果验证了本文算法的有效性。-this code includs one method for chirplet analasis,that is used in voi
lpc
- 功能：计算lpc系数由lpc得到lpcc，对模板参数和样本参数进行dtw比较 -Function: lpc coefficient calculated by the lpc be lpcc, samples of the template parameters and parameters of Comparative dtw
LMS
- LMS算法实现自适应滤波 clear close all clc N=10000 设置仿真长度 信号产生参数设定 a1=-0.195 a1=-1.5955 a2=0.95 R0=[1,a1,a2 a1,1+a2,0 a2,a1,1] p=[1,0,0] r=inv(R0)*p 计算理论自相关函数 R=[r(1),r(2) r(2),r(1)] 生成理论自相关矩阵 p1=[r(2),r(3)] 生成互相关 h=inv(R)