17、语音信号处理中的鲁棒估计与应用

语音信号处理中的鲁棒估计与应用

1. 非平稳模式统计识别方法

在语音信号处理领域，非平稳模式的统计识别是一个重要的研究方向。有多种基于无监督学习的方法被用于此，包括带欧几里得距离的“c - 均值”算法（CEUC）、二次分类器的迭代过程（CIQC）、其实时操作的改进算法（RTQC）以及带滑动训练集的二次分类器（QCSTS）。

通过将这些方法应用于语音信号非平稳自回归（AR）模型参数的鲁棒递归估计中，并进行了直接和间接的实验分析。实验结果表明，QCSTS 算法在浊音语音信号分析以及包含浊音段和混合激励段的语音信号（如数字语音）分析中表现最佳。

1.1 迭代二次分类算法的不足

迭代二次分类算法在估计语音信号 AR 模型的非平稳参数时，概率估计不足。这是因为该算法与所考虑的模型不对应（混合激励可看作三类正态分布或两类未知分布），从而导致估计结果不佳。

1.2 QCSTS 算法的优势

而 QCSTS 算法以及实时操作的迭代二次分类算法改进版，对激励信号假设的两类模型的不足具有不敏感性，表现出较强的鲁棒性。通过对 RTQC 和 QCSTS 算法的比较分析，直接和间接评估都明确指出 QCSTS 算法质量更高，推荐用于语音信号非平稳 AR 模型的鲁棒递归识别。

2. 鲁棒估计器在语音信号处理中的应用

使用线性预测的鲁棒方法能够更准确地确定语音信号生成系统的 AR 模型参数，进而更精确地对声道进行建模。

2.1 鲁棒方法的优势

• 非递归 LP 方法的鲁棒化 ：可降低估计对语音基频的敏感性，同时减