基金項(xiàng)目：2022年河南省大學(xué)生創(chuàng)新創(chuàng)業(yè)訓(xùn)練計(jì)劃項(xiàng)目，項(xiàng)目編號(hào)s202213507009

在信息技術(shù)高速發(fā)展的今天，信號(hào)處理技術(shù)正迎著發(fā)展的浪潮逐步優(yōu)化，數(shù)字信號(hào)處理(Digital Signal Processing)，是以數(shù)字運(yùn)算方法實(shí)現(xiàn)信號(hào)變換、濾波、檢測(cè)、估值、調(diào)制解調(diào)以及快速算法的處理方式，將數(shù)字信號(hào)處理的研究應(yīng)用到“語(yǔ)音簽到”系統(tǒng)，來(lái)對(duì)簽到者的語(yǔ)音信號(hào)進(jìn)行濾波、檢測(cè)、處理以提取特征值，并建立數(shù)據(jù)集進(jìn)行機(jī)器學(xué)習(xí)，通過(guò)MATLAB 軟件的分類學(xué)習(xí)器模塊利用不同的模型進(jìn)行分類，從而達(dá)到分辨不同簽到者的目的，在建立系統(tǒng)的過(guò)程中將展示信號(hào)的濾波、檢測(cè)、處理、分類的過(guò)程，本文通過(guò)利用MATLAB仿真對(duì)信號(hào)處理的各個(gè)方面進(jìn)行研究，利用MATLAB仿真的優(yōu)勢(shì)來(lái)闡述信號(hào)處理的整體過(guò)程，通過(guò)對(duì)語(yǔ)音信號(hào)特征的提取來(lái)體現(xiàn)數(shù)字信號(hào)處理的各個(gè)方面。

本文主要通過(guò)研究信號(hào)處理的4 個(gè)階段，通過(guò)建立“語(yǔ)音簽到”系統(tǒng)來(lái)展示信號(hào)處理的過(guò)程，針對(duì)簽到問(wèn)題，通過(guò)聲音采集，濾波處理，特征提取，端點(diǎn)檢測(cè)研究等信息處理，利用MATLAB 軟件、Python 軟件編程處理使得整個(gè)代碼準(zhǔn)確、簡(jiǎn)潔，并達(dá)到良好的“語(yǔ)音簽到”效果。

1 信號(hào)濾波

1.1 降噪總體流程規(guī)劃

噪聲在聲音的傳輸過(guò)程中是客觀存在的，噪聲的存在既降低了語(yǔ)音傳播信息的準(zhǔn)確性，又增加了語(yǔ)音系統(tǒng)不能正常工作運(yùn)轉(zhuǎn)的風(fēng)險(xiǎn)，為了降低噪音干擾，信號(hào)濾波過(guò)程運(yùn)用數(shù)字信號(hào)處理的理論知識(shí)與MATLAB仿真軟件相結(jié)合，通過(guò)設(shè)計(jì)低通濾波器的方式對(duì)加入高斯白噪聲（模擬生活中混入的噪聲信號(hào)）后的帶噪語(yǔ)音信號(hào)，先運(yùn)用IIR（無(wú)限單位沖激響應(yīng)）數(shù)字濾波器進(jìn)行降噪處理，后通過(guò)小波閾值降噪進(jìn)行二次降噪處理，最終調(diào)用MATLAB中的繪圖命令，展示出其在時(shí)域、頻域的對(duì)比圖，并通過(guò)audiowrite()函數(shù)把降噪后的音頻保存進(jìn)文件夾中，方便后續(xù)實(shí)驗(yàn)的進(jìn)行。具體操作流程如圖1 所示。

圖1 降噪操作總體流程圖

1.2 音頻信號(hào)的采集、加噪及分析

采集聲音簽到信號(hào)，調(diào)用MATLAB 中的audioread函數(shù)對(duì)準(zhǔn)備好的音頻信號(hào)進(jìn)行采樣并繪制出其時(shí)域波形，調(diào)用FFT 傅里葉函數(shù)對(duì)音頻信號(hào)處理并進(jìn)行歸一化處理最后繪制得出其頻譜圖。調(diào)用MATLAB 仿真中的audioread() 函數(shù)對(duì)音頻信號(hào)進(jìn)行處理并繪制出其時(shí)域波形，并調(diào)用傅里葉函數(shù)處理音頻信號(hào)并進(jìn)行歸一化處理，通過(guò)randn() 函數(shù)加入高斯白噪聲，進(jìn)一步繪制出加噪后的語(yǔ)音信號(hào)頻譜圖。通過(guò)調(diào)用MATLAB 仿真中的sound() 函數(shù)可以實(shí)現(xiàn)對(duì)音頻的播放，從而對(duì)sound.wav文件進(jìn)行判別加入噪聲前后的差異。

1.3 對(duì)加噪語(yǔ)音進(jìn)行降噪處理

本文是基于數(shù)字信號(hào)的處理，通過(guò)巴特沃斯低通濾波器對(duì)音頻信號(hào)進(jìn)行降噪處理，并輸出其原始信號(hào)、加噪信號(hào)、降噪后信號(hào)的時(shí)域波形和頻譜圖如圖 2 所示。

圖2 原始、加噪、降噪后信號(hào)的時(shí)域波形和頻譜圖

分析仿真結(jié)果，對(duì)比降噪前后音頻信號(hào)的時(shí)域波形和頻譜，可以看出音頻信號(hào)的大部分高頻部分被濾除，此時(shí)調(diào)用sound 函數(shù)進(jìn)行試聽(tīng)，發(fā)現(xiàn)濾波前的“滋啦”聲已經(jīng)基本消失，說(shuō)明濾波處理的效果不錯(cuò)，在其頻域上降噪后高頻部分已經(jīng)消失，但不可否認(rèn)的是，由于高斯白噪聲的寬帶特性，致使其在各個(gè)頻率都有分布，所以傳統(tǒng)濾波器無(wú)法完全抹除噪聲的干擾，降噪后的音頻信號(hào)與原信號(hào)相比依然存在一些噪聲未能有效去除，這是由于傳統(tǒng)濾波器對(duì)于短時(shí)瞬態(tài)信號(hào)、非平穩(wěn)信號(hào)、含有寬帶噪聲的信號(hào)時(shí)會(huì)有明顯的局限性。

為防止上述噪聲會(huì)對(duì)后續(xù)的研究造成不利影響，可以利用audiowrite() 函數(shù)讓其先保存到相應(yīng)文件夾中，再次進(jìn)行另外一種濾波操作（小波閾值降噪）來(lái)進(jìn)行二次濾波處理，進(jìn)一步加深濾波效果，確保信號(hào)的準(zhǔn)確性。

1.4 小波閾值降噪處理

小波降噪總體流程如圖3所示。

圖3 小波閾值降噪流程圖

MATLAB仿真中提供來(lái)各種小波基，針對(duì)不同的信號(hào)有著不同的效果和優(yōu)勢(shì)，本文主要處理對(duì)象是人聲音頻，故選擇對(duì)于人聲效果更好的db4-db10，sym5-sym7小波基。根據(jù)小波閾值降噪的基本原理，當(dāng)分解層數(shù)越大時(shí)，噪聲和原始信號(hào)的表現(xiàn)差別越大，更有利于語(yǔ)音和噪聲的分離，但不可避免的是，分解層數(shù)越多意味著重構(gòu)層數(shù)越多，經(jīng)重構(gòu)得到的音頻信號(hào)與原始信號(hào)差距較大，所以通過(guò)多次實(shí)驗(yàn)選取效果理想的分解層數(shù)，能夠在實(shí)現(xiàn)良好的降噪效果的基礎(chǔ)上最大限度的保留原始音頻的特征，經(jīng)過(guò)多次測(cè)試確定最終確定的分解層數(shù)為5。閾值函數(shù)的設(shè)計(jì)通常是使用小波閾值降噪方法的核心關(guān)鍵所在，在小波域中原始信號(hào)對(duì)應(yīng)的小波系數(shù)很大，噪聲對(duì)應(yīng)的小波系數(shù)很小。本文中選擇適用范圍較為廣泛的通用閾值（VisuShrink）作為實(shí)驗(yàn)閾值，確定合適的閾值函數(shù)后對(duì)小波系數(shù)進(jìn)行處理，通過(guò)選取硬閾值法將小波系數(shù)絕對(duì)值小于閾值的值都置0，絕對(duì)值大于閾值的值予以保留，將處理后獲得的小波系數(shù)利用逆小波變換法對(duì)信號(hào)進(jìn)行重構(gòu)，從而恢復(fù)出原始信號(hào)。

1.5 濾波結(jié)果及總結(jié)

通過(guò)調(diào)用MATLAB 仿真的繪圖指令，將原始信號(hào)、加入高斯白噪聲的音頻信號(hào)、通過(guò)巴特沃斯低通濾波器后的音頻信號(hào)以及再次通過(guò)小波閾值降噪后信號(hào)的時(shí)域波形圖和頻譜圖運(yùn)行出來(lái)，如圖4、圖5 所示。

圖4 原始、加噪、初步降噪和小波降噪后信號(hào)的時(shí)域波形圖

圖5 原始、加噪、初步降噪和小波降噪后信號(hào)的頻譜圖

通過(guò)利用MATLAB 仿真對(duì)音頻信號(hào)進(jìn)行加噪處理,模擬現(xiàn)實(shí)生活中簽到時(shí)不可避免的噪聲加入，再對(duì)音頻信號(hào)進(jìn)行降噪處理，先經(jīng)過(guò)傳統(tǒng)的巴特沃斯低通濾波器去除部分噪聲，后經(jīng)過(guò)小波閾值的降噪處理去除低通濾波器無(wú)法去除的噪音信號(hào)，得到聲音簽到的音頻已經(jīng)相對(duì)清晰且滿足后續(xù)階段的需求。

2 信號(hào)檢測(cè)

2.1 端點(diǎn)檢測(cè)的方法與原理

在對(duì)信號(hào)進(jìn)行處理前，需對(duì)原始信號(hào)進(jìn)行預(yù)處理以滿足信號(hào)處理的需求，預(yù)處理過(guò)程包括信號(hào)濾波和信號(hào)檢測(cè)，濾波的目的在于去除噪音的干擾，檢測(cè)到語(yǔ)音信號(hào)中的靜音片段并去除，避免由于空白信息帶來(lái)的資源浪費(fèi)。

圖6 端點(diǎn)檢測(cè)流程圖

2.2 端點(diǎn)檢測(cè)

端點(diǎn)是靜音和有效語(yǔ)音信號(hào)的變化臨界點(diǎn)，確定端點(diǎn)位置是確保信號(hào)檢測(cè)精準(zhǔn)度的關(guān)鍵，對(duì)語(yǔ)音信號(hào)進(jìn)行有效的預(yù)加重和選擇窗函數(shù)處理就可以進(jìn)行端點(diǎn)檢測(cè)，通過(guò)采用的雙門限比較法利用分步判決的思想來(lái)進(jìn)行端點(diǎn)檢測(cè)。將由濾波處理后的信號(hào)（采集的音頻）進(jìn)行端點(diǎn)檢測(cè)，為了可以重復(fù)使用該模塊，首先要設(shè)置1 個(gè)循環(huán)結(jié)構(gòu)，以便循環(huán)讀取語(yǔ)音和存儲(chǔ)語(yǔ)音信號(hào)。將端點(diǎn)檢測(cè)各部分處理分別模塊化（便于對(duì)各個(gè)階段進(jìn)行優(yōu)化）并加入循環(huán)結(jié)構(gòu)內(nèi)，其中包括預(yù)加重、分幀加窗、計(jì)算過(guò)零率、計(jì)算短時(shí)能量、設(shè)置并調(diào)整門限閾值、初始化各參量、端點(diǎn)檢測(cè)算法、獲取起止點(diǎn)位置并截取出語(yǔ)音片段（去除靜音片段）從而達(dá)到去除語(yǔ)音信號(hào)首尾靜音片段的目的。利用MATLAB 仿真進(jìn)行運(yùn)行結(jié)果如圖7所示。

通過(guò)觀察圖7 可以發(fā)現(xiàn)檢測(cè)的起始點(diǎn)選擇在了語(yǔ)音信號(hào)的首尾處，從而實(shí)現(xiàn)去除語(yǔ)音信號(hào)首尾大面積靜音片段的目的。但由于此次端點(diǎn)檢測(cè)所設(shè)置的閾值比較低，就使得系統(tǒng)對(duì)靜音片段的判斷標(biāo)準(zhǔn)比較寬松，因而在檢測(cè)靜音片段時(shí)只檢測(cè)到了音頻首尾處的較直白的靜音片段。

圖7 簡(jiǎn)單去除靜音片段

注：左側(cè)豎直實(shí)線表示語(yǔ)音起點(diǎn)，左側(cè)豎直虛線表示語(yǔ)音結(jié)束點(diǎn)，橫坐標(biāo)表示幀數(shù)。

3 信號(hào)處理

3.1 信號(hào)處理的總體流程

對(duì)于語(yǔ)音簽到系統(tǒng)來(lái)說(shuō)，如何確認(rèn)語(yǔ)音信號(hào)特征的不同以達(dá)到識(shí)別不同簽到者的目的是整個(gè)信號(hào)處理過(guò)程的關(guān)鍵，對(duì)已經(jīng)進(jìn)行信號(hào)濾波和檢測(cè)的語(yǔ)音信號(hào)進(jìn)行特征提取便是實(shí)現(xiàn)簽到目的的必要條件，合理有效的特征提取方式可以提高識(shí)別的準(zhǔn)確性和真實(shí)性。

通過(guò)信號(hào)濾波和檢測(cè)的信號(hào)已經(jīng)基本滿足信號(hào)處理的要求，但依然需要進(jìn)行數(shù)據(jù)預(yù)處理，確認(rèn)特征提取的順利進(jìn)行，利用語(yǔ)音信號(hào)時(shí)頻域的特征以及梅爾特征對(duì)信號(hào)進(jìn)行特征提取，進(jìn)一步進(jìn)行歸一化處理滿足MATLAB仿真矩陣的基本要求，通過(guò)PCA 降維對(duì)復(fù)雜的特征量進(jìn)行簡(jiǎn)化獲得數(shù)據(jù)集，并對(duì)數(shù)據(jù)集進(jìn)行重新構(gòu)建和劃分，滿足分類識(shí)別的要求，以達(dá)到識(shí)別簽到者的目的，具體操作流程如圖8所示。

圖8 信號(hào)處理流程圖

3.2 數(shù)據(jù)預(yù)處理

3.2.1 加窗分幀

對(duì)語(yǔ)音信號(hào)進(jìn)行分幀處理，在同一幀中語(yǔ)音信號(hào)的特征是穩(wěn)定的，但由于分幀后每一幀的開始和結(jié)束都會(huì)出現(xiàn)間斷，因此分割的幀越多，與原始信號(hào)的誤差就越大，使用加窗分幀的方法使成幀后的信號(hào)變得連續(xù)，并且每一幀都會(huì)表現(xiàn)出周期函數(shù)的特性。語(yǔ)音信號(hào)的表征參數(shù)都是短時(shí)平穩(wěn)的，一般為10~30 ms 因而可以視為一個(gè)準(zhǔn)穩(wěn)態(tài)過(guò)程。由于語(yǔ)音信號(hào)具有短時(shí)平穩(wěn)性，對(duì)語(yǔ)音信號(hào)進(jìn)行分幀加窗處理，截?cái)喽虝r(shí)音頻片段，通常幀移大小為10~15 ms，要求保證窗長(zhǎng)大小為幀移的2~3 倍。加窗分幀的目的是為了使語(yǔ)音信號(hào)更連續(xù)，避免出現(xiàn)吉布斯效應(yīng)（又叫吉布斯效應(yīng)將具有不連續(xù)點(diǎn)的周期函數(shù)進(jìn)行傅立葉級(jí)數(shù)展開后，選取有限項(xiàng)進(jìn)行合成，當(dāng)選取的項(xiàng)數(shù)越多，在所合成的波形中出現(xiàn)的峰起越靠近原信號(hào)的不連續(xù)點(diǎn)）。

3.2.2 數(shù)據(jù)清洗

為了保證提取到的所有幀都是有效的語(yǔ)音片段，在之前降噪、端點(diǎn)檢測(cè)的基礎(chǔ)上，對(duì)數(shù)據(jù)進(jìn)行清洗，檢查所有幀是否具有有效數(shù)據(jù)，對(duì)每幀的矩陣進(jìn)行識(shí)別，若出現(xiàn)數(shù)值全為0 的幀則將其剔除。剔除無(wú)效幀，不僅可以提高模型的運(yùn)行效率，還可以提高后期提取出的特征值的有效性。

3.2.3 有效幀的抽取與保留

由于對(duì)信號(hào)進(jìn)行端點(diǎn)檢測(cè)去除靜音片段后音頻的時(shí)長(zhǎng)并不統(tǒng)一，進(jìn)行分幀時(shí)，會(huì)導(dǎo)致不同音頻分得的幀數(shù)并不相同。因此，首先對(duì)所有音頻進(jìn)行加窗分幀處理，并且記錄從各個(gè)音頻所得到的幀數(shù)，計(jì)算出所有音頻中最少的幀數(shù)，并以最少幀數(shù)為標(biāo)準(zhǔn)，對(duì)于所有大于該幀數(shù)的音頻，進(jìn)行部分幀抽取。抽取的準(zhǔn)則是根據(jù)各幀音頻的能量大小，將所有幀按照低能量、中能量、高能量三個(gè)層次進(jìn)行劃分，并且分別對(duì)低能量、中能量以及高能量區(qū)域中的幀進(jìn)行等幀數(shù)的隨機(jī)抽取，最后再以原音頻各幀位置為基準(zhǔn)，對(duì)抽取到的幀進(jìn)行排序。

3.3 特征提取

完成預(yù)處理過(guò)程后，對(duì)信號(hào)進(jìn)行特征提取，利用時(shí)域中的短時(shí)過(guò)零率、短時(shí)能量以及頻域中頻譜質(zhì)心、頻域能量作為特征提取的依據(jù)進(jìn)行特征提取，共提取特征數(shù)為4 個(gè)，時(shí)域特征提取如表1。

表1 時(shí)頻域提取特征

注：y(n)為音頻信號(hào)一幀的幅值，p為幀長(zhǎng)。Y(n)為一幀內(nèi)音頻信號(hào)的離散傅里葉變換。

對(duì)音頻信號(hào)進(jìn)行預(yù)加重處理主要作用是為了平衡頻譜、避免在傅里葉變換操作過(guò)程中出現(xiàn)數(shù)值問(wèn)題、改善信噪比、補(bǔ)償語(yǔ)音信號(hào)受到發(fā)生系統(tǒng)所抑制的高頻部分，突出高頻共振峰。預(yù)加重處理實(shí)際意義是讓音頻信號(hào)通過(guò)一個(gè)高通濾濾波器。通過(guò)MATLAB 仿真調(diào)取音頻信號(hào)預(yù)加重前后時(shí)頻域頻譜圖并觀察，與原始音頻對(duì)比發(fā)現(xiàn)經(jīng)過(guò)預(yù)加重的信號(hào)頻譜更加平衡，高頻部分更加突出，頻譜圖如圖9 所示。

圖9 預(yù)加重前后時(shí)頻域頻譜圖

3.4 數(shù)據(jù)集的構(gòu)建和劃分

為了更好的利用提取到的特征值，需要對(duì)特征值的數(shù)據(jù)集進(jìn)行構(gòu)建。本文共采集了30 個(gè)人員的樣本，每個(gè)人進(jìn)行了10 次重復(fù)的語(yǔ)音簽到音頻錄制，共有300個(gè)待處理音頻。依次對(duì)300 個(gè)音頻按照信號(hào)處理流程進(jìn)行處理，最后將單個(gè)音頻所計(jì)算出來(lái)的特征值按行向量保存，最終構(gòu)建了一個(gè)300 行、561 列的特征值矩陣。為了消除各特征量之間的量綱影響、提高后期梯度下降法求解最優(yōu)解的速度，對(duì)特征值矩陣中的數(shù)據(jù)進(jìn)行歸一化處理。由于在信號(hào)分類中會(huì)運(yùn)用到機(jī)器學(xué)習(xí)算法，通過(guò)模型進(jìn)行分類，數(shù)據(jù)維度過(guò)高往往會(huì)降低模型的性能和效率，高維數(shù)據(jù)不僅使模型更復(fù)雜，還容易引起維數(shù)災(zāi)難。為了避免上述問(wèn)題并提高后期模型的訓(xùn)練速度，使用Visual Studio Code 軟件，在Anaconda環(huán)境下調(diào)用sklearn庫(kù)對(duì)數(shù)據(jù)集進(jìn)行PCA 降維。最后在保留95%特征信息量的前提下，將特征值矩陣降維至139 列。首先依照不同的樣本音頻，對(duì)特征值矩陣進(jìn)行標(biāo)注，將從第一個(gè)樣本音頻求得的特征值（即特征值矩陣的第1 至10 行）標(biāo)注為1，從第二個(gè)樣本音頻求得的特征值（即特征值矩陣的第11~20 行）標(biāo)注為2，以此類推。為了避免出現(xiàn)過(guò)擬合的現(xiàn)象，將數(shù)據(jù)重新打亂并重新分割數(shù)據(jù)。對(duì)數(shù)據(jù)洗牌過(guò)后的數(shù)據(jù)，使用留出法依照7:3 的比例對(duì)數(shù)據(jù)集進(jìn)行劃分，即最終得到210 行、140 列的訓(xùn)練集，90 行、140 列的測(cè)試集。

4 信號(hào)分類

對(duì)信號(hào)處理得到的數(shù)據(jù)集利用MATLAB 仿真自帶的分類學(xué)習(xí)器模塊進(jìn)行信號(hào)分類處理，分類學(xué)習(xí)器是通過(guò)訓(xùn)練模型結(jié)構(gòu)，用于以對(duì)數(shù)據(jù)進(jìn)行分類，是機(jī)器學(xué)習(xí)比較常見(jiàn)的應(yīng)用，通常包括五個(gè)部分，分別是數(shù)據(jù)導(dǎo)入、數(shù)據(jù)的探索和特征選擇、訓(xùn)練模型、比較模型和輸出模型。分類算法使用戶可以將一個(gè)分類應(yīng)變量建模為一個(gè)或多個(gè)預(yù)測(cè)的函數(shù)，其中的模型主要包括有：決策樹、邏輯回歸（Logic）、神經(jīng)網(wǎng)絡(luò)和支持向量機(jī)(SVM)、最近鄰分類(KNN)、集成分類器等分類模型。將模型訓(xùn)練完畢后，通過(guò)觀察訓(xùn)練數(shù)據(jù)的散點(diǎn)圖、混淆矩陣、ROC曲線等圖像進(jìn)行數(shù)據(jù)分析，對(duì)測(cè)試數(shù)據(jù)進(jìn)行預(yù)測(cè)和實(shí)際操作。除此之外，訓(xùn)練好的模型也可以直接導(dǎo)入Matlab的工作空間，便于對(duì)新數(shù)據(jù)進(jìn)行預(yù)測(cè)，同時(shí)能夠直接生成代碼方便集成使用。

5 結(jié)束語(yǔ)

本文通過(guò)對(duì)MATLAB 仿真在信號(hào)處理多個(gè)方面的研究實(shí)現(xiàn)了語(yǔ)音簽到系統(tǒng)，重點(diǎn)研究了信號(hào)濾波、信號(hào)檢測(cè)、信號(hào)處理、信號(hào)分類四部分。首先收集聲音樣本信息，使用低通濾波器進(jìn)行信號(hào)濾波，之后利用端點(diǎn)檢測(cè)去除靜音片段，對(duì)處理后的音頻信號(hào)利用時(shí)頻域和梅爾倒譜系數(shù)提取特征值并進(jìn)行分類以達(dá)到語(yǔ)音簽到的目的。為了降低噪音干擾，信號(hào)濾波過(guò)程運(yùn)用數(shù)字信號(hào)處理的理論知識(shí)與MATLAB 仿真軟件相結(jié)合通過(guò)設(shè)計(jì)低通濾波器的方式對(duì)加入高斯白噪聲后的帶噪語(yǔ)音信號(hào)，先運(yùn)用IIR（無(wú)限單位沖激響應(yīng)）數(shù)字濾波器進(jìn)行降噪處理，后通過(guò)小波閾值降噪進(jìn)行二次降噪處理。對(duì)去噪音頻信號(hào)利用短時(shí)分析法依據(jù)短時(shí)能量、短時(shí)平均幅值、短時(shí)過(guò)零率等特征對(duì)有語(yǔ)音和無(wú)語(yǔ)音語(yǔ)段進(jìn)行判別分析，設(shè)置合理的閾值進(jìn)行區(qū)分，并利用端點(diǎn)檢測(cè)準(zhǔn)確的定位出語(yǔ)音的開始點(diǎn)和結(jié)束點(diǎn)，去掉靜音的部分，從而獲得真正有實(shí)際意義的語(yǔ)音信號(hào)，保證了簽到的快速、準(zhǔn)確。

參考文獻(xiàn)：

[1] 陳建勇,王道闊,鄧文鋒,等.重構(gòu)小波閾值函數(shù)在信號(hào)去噪中的應(yīng)用與研究[J].CT理論與應(yīng)用研究,2017,26(1):63-68.

[2] 裴萍.閾值函數(shù)的改進(jìn)在信號(hào)去噪中的應(yīng)用[J].科技視界,2012(28):164-165.

[3] 阿布力米提·肉孜,吐?tīng)柡榻ぐ⒉级伎肆δ?改進(jìn)小波閾值函數(shù)信號(hào)去噪研究[J].計(jì)算機(jī)與現(xiàn)代化,2012(3):11-14.

[4] 王玲玲,黃垂桂,趙建楊.基于MATLAB的音頻降噪濾波器設(shè)計(jì)[J].中國(guó)新技術(shù)新產(chǎn)品,2022(16):15-17.

[5] 朱俊敏,張瀟,王旌陽(yáng),等.小波域音頻信號(hào)降噪研究[J].計(jì)算機(jī)工程與應(yīng)用,2009,45(6):149-154.

[6] 楊天晴,楊靜宗,付蕊,等.基于MATLAB的小波閾值法在信號(hào)降噪中的應(yīng)用研究[J].保山學(xué)院學(xué)報(bào),2021,40(2):93-101.

[7] 彭仕玉,李宏民,張國(guó)云.DFT頻譜分析中時(shí)域加窗的研究[J].湖南理工學(xué)院學(xué)報(bào)(自然科學(xué)版),2010,23(2):26-29.

[8] 呂衛(wèi)強(qiáng),黃荔.基于短時(shí)能量加過(guò)零率的實(shí)時(shí)語(yǔ)音端點(diǎn)檢測(cè)方法[J].兵工自動(dòng)化,2009,28(9):69-70+73.

[9] 孫慧芳,龍華,邵玉斌,等.基于過(guò)零率及頻譜的語(yǔ)音音樂(lè)分類算法[J].云南大學(xué)學(xué)報(bào)(自然科學(xué)版),2019,41(5):925-931.

[10] 胡耀文.音頻信號(hào)特征提取及其分類研究[D].昆明:昆明理工大學(xué),2018.

[11] 宋知用.MATLAB語(yǔ)音信號(hào)分析與合成(第2版)[M].北京:北京航空航天大學(xué)出版社,2017.

[12] 劉婷,柳鈺,薛小慶.MATLAB在語(yǔ)音信號(hào)處理中的應(yīng)用[J].電子測(cè)試,2018(23):74-75.

[13] 武同寶,趙旭彤.基于MATLAB的語(yǔ)音信號(hào)識(shí)別及矢量模式匹配[J].工業(yè)控制計(jì)算機(jī),2012,25(9):90-92.

（本文來(lái)源于《電子產(chǎn)品世界》雜志2023年7月期）