參考：

• 現代語音信號處理，p97
• Precise detection of speech endpoints dynamically: A wavlet convolution based approach, 2018

1. 小波變換，是一種時頻分析方法，具有多分辨率的特點，在時頻兩域都具有表征信號局部特征的能力，是一種窗口大小固定不變但其形狀可改變，時間窗和頻率窗都可以改變的時頻局部化分析方法。即在低頻部分具有較高的頻率分辨率和較低的時間分辨率；在高頻部分具有較高的時間分辨率和較低的頻率分辨率。

wavlet transform：就是把某一基本小波或母小波函數做位移b后，再在不同尺度a下與待分析信號f(t)做內積。

• covolution卷積是小波變換的基石。
• 多分辨率：L(R)中的f描述為具有一系列近似函數的逼近極限，其中每一個近似函數都是f在不同分辨率子空間上的投影

2. 傅里葉采用三角級數進行分解與重構，較好地描述了信號的頻率特性，但對奇異信號重構效果較差。

　　----連續小波變換(CWT)：目的在于從信號中抽取信息

　　----離散小波變換(DWT)：工程實現。目的在于重構信號

　　----

3. 　小波分解是語音端點檢測的關鍵。

　　sparse representation，稀疏表示是尋找信號中相關信息和模式的有效方法。通過使用fourier或小波基在振蕩波形上分解信號來實現。

　　小波變換=小波系數

• 　　input：離散語音信號x(t)
• 　　output：在離散信號上卷積獲得不同尺度的系數值coefficients(序列)，length(x(t))=length(wavlet)
• 　　low scale低尺度因子對應著高頻；用于識別語音序列存在的位置
• 　　high scale高尺度因子對應著低頻；用于延伸語音序列開始和結尾的清音、濁音部分

　　一系列尺度因子根據頻率范圍(frequency)被選擇300hz～3000hz

　　在不同尺度因子scales下的小波系數序列coefficient

　　

?

總結

以上是生活随笔為你收集整理的小波变换学习～语音端点检测的全部內容，希望文章能夠幫你解決所遇到的問題。

如果覺得生活随笔網站內容還不錯，歡迎將生活随笔推薦給好友。