该说话人识别系统通过提取语音信号的MFCC特征参数，并由DWT算法计算得测试样本与各模板样本之间的距离，由最近临准则，完成说话人识别。
优点是算法简单，无需大量样本，缺点为需保证说话人说话的内容一致。
优点是算法简单，无需大量样本，缺点为需保证说话人说话的内容一致。
2023/9/1 6:51:52
1.15MB
1
声纹识别技术，形象的说法就是说话人识别技术。
它是根据人在说话时产生的波形，以及波形中反映人类心理和生理的特征参数来判断说话人的身份的技术。
本文所研究的是与文本有关的说话人确认系统。
比较了基于声道的线性预测倒谱系数(LPCC)和基于听觉特性的MEL频率倒谱系数(MFCC)参数特征，得出MFCC对环境存在更高的鲁棒性。
并运用了隐形马尔可夫模型(HMM)在MATLAB上实现了语音数字的识别仿真。
本实验系统的识别率达到了90%，验证了HMM模型识别的准确性。
它是根据人在说话时产生的波形，以及波形中反映人类心理和生理的特征参数来判断说话人的身份的技术。
本文所研究的是与文本有关的说话人确认系统。
比较了基于声道的线性预测倒谱系数(LPCC)和基于听觉特性的MEL频率倒谱系数(MFCC)参数特征，得出MFCC对环境存在更高的鲁棒性。
并运用了隐形马尔可夫模型(HMM)在MATLAB上实现了语音数字的识别仿真。
本实验系统的识别率达到了90%，验证了HMM模型识别的准确性。
2023/8/10 15:50:09
1.61MB
1
完整的语音处理matlab程序。
demo为利用ERBGammatone滤波器对语音信号进行处理。
可以提取基于听觉感知的特征参数。
demo为利用ERBGammatone滤波器对语音信号进行处理。
可以提取基于听觉感知的特征参数。
2023/8/7 15:58:56
144KB
1
运用MATLABR2014a来完成灰度共生矩阵各特征参数的求解。
以纸作为纹理分析的对象。
首先需将彩色图像将各颜色分量转化为灰度。
所用图像的灰度级为256。
为了减少计算量，对原始图像灰度级压缩，将灰度量化成16级。
计算四个共生矩阵P，取距离为1，角度分别为0,45,90,135。
对共生矩阵进行归一化，求出最常用的能量、熵、惯性矩、相关4个纹理参数。
最后求出能量、熵、惯性矩、相关的均值和标准差，作为最终8维纹理特征。
以纸作为纹理分析的对象。
首先需将彩色图像将各颜色分量转化为灰度。
所用图像的灰度级为256。
为了减少计算量，对原始图像灰度级压缩，将灰度量化成16级。
计算四个共生矩阵P，取距离为1，角度分别为0,45,90,135。
对共生矩阵进行归一化，求出最常用的能量、熵、惯性矩、相关4个纹理参数。
最后求出能量、熵、惯性矩、相关的均值和标准差，作为最终8维纹理特征。
2023/6/2 16:52:46
713B
1
为处理低速率声码器合成语音中，由于语音帧清浊判决不够准确而造成的偶发性嘶哑、机器音较重及变调等问题，提出一种基于支持向量机（SupportVectorMachine，SVM）并结合多种语音特征参数的清浊音判决优化算法。
实验结果显示，该算法能够有效降低清浊音的误判率，进而使合成语音的清晰度和自然度得到改善。
将本算法应用到正弦激励线性预测算法中，在与相同码率的其他算法的比较实验中，得到较高的PESQ-MOS分，显示出一定的优势。
实验结果显示，该算法能够有效降低清浊音的误判率，进而使合成语音的清晰度和自然度得到改善。
将本算法应用到正弦激励线性预测算法中，在与相同码率的其他算法的比较实验中，得到较高的PESQ-MOS分，显示出一定的优势。
2021/1/9 20:13:48
1.01MB
1
声音音信号处理是研究用数字信号处理技术和声音音学知识对声音信号进行处理的学科，声音特征参数的精确度直接影响语音合成的音质和声音识别的精确率。
2021/11/22 7:34:25
140KB
1
光纤光学华中科大刘德明第一章引见第二章光纤光学的基本方程第三章阶跃折射率分布光纤第四章渐变折射率分布光纤第五章光纤的特征参数与测试技术第六章光纤无源及有源器件第七章光纤的连接与耦合第八章光子晶体光纤第九章特种光纤与光缆第十章光纤应用技术
2020/3/11 5:46:41
6.62MB
1
基本部分：1）生成单音干扰、多音干扰、宽带噪声干扰、部分频带噪声干扰、宽带梳状谱干扰、线性调频干扰等6种通信干扰信号；
2）选择合适的特征参数，采用决策树法实现对上述干扰信号的识别，高斯白噪声信道，干噪比(JNR)为0~15dB，识别正确率大于95%。
扩展部分：选择合适的特征参数，采用NN或者SVM机器学习实现对上述干扰信号的识别，高斯白噪声信道，干噪比(JNR)为0~15dB，识别正确率大于95%。
实验次要完成了三部分工作。
1.通信干扰信号的生成。
对6种干扰信号进行了仿真。
2.特征参数的提取和讨论。
对时域和频域的参数进行了提取，分析了不同JNR下的参数变化趋势，以及不同干扰信号之间的差异。
3.基于特征参数的分类。
选择合适的特征参数，分别使用决策树法、支持向量机法以及神经网络法对干扰信号进行了分类。
2）选择合适的特征参数，采用决策树法实现对上述干扰信号的识别，高斯白噪声信道，干噪比(JNR)为0~15dB，识别正确率大于95%。
扩展部分：选择合适的特征参数，采用NN或者SVM机器学习实现对上述干扰信号的识别，高斯白噪声信道，干噪比(JNR)为0~15dB，识别正确率大于95%。
实验次要完成了三部分工作。
1.通信干扰信号的生成。
对6种干扰信号进行了仿真。
2.特征参数的提取和讨论。
对时域和频域的参数进行了提取，分析了不同JNR下的参数变化趋势，以及不同干扰信号之间的差异。
3.基于特征参数的分类。
选择合适的特征参数，分别使用决策树法、支持向量机法以及神经网络法对干扰信号进行了分类。
2018/6/7 15:27:17
514KB
1
在日常工作中，钉钉打卡成了我生活中不可或缺的一部分。然而，有时候这个看似简单的任务却给我带来了不少烦恼。
每天早晚，我总是得牢记打开钉钉应用，点击"工作台"，再找到"考勤打卡"进行签到。有时候因为工作忙碌，会忘记打卡，导致考勤异常，影响当月的工作评价。而且，由于我使用的是苹果手机，有时候系统更新后，钉钉的某些功能会出现异常，使得打卡变得更加麻烦。
另外，我的家人使用的是安卓手机，他们也经常抱怨钉钉打卡的繁琐。尤其是对于那些不太熟悉手机操作的长辈来说，每次打卡都是一次挑战。他们总是担心自己会操作失误，导致打卡失败。
为了解决这些烦恼，我开始思考是否可以通过编写一个全自动化脚本来实现钉钉打卡。经过一段时间的摸索和学习，我终于成功编写出了一个适用于苹果和安卓系统的钉钉打卡脚本。
2024-04-09 15:03
15KB