下载文档原格式
飞行器气动噪声的测量与分析在现代航空航天领域，飞行器的气动噪声问题日益受到关注。
随着飞行器速度的不断提高以及人们对乘坐舒适性要求的提升，降低气动噪声已经成为飞行器设计中的一个重要环节。
为了有效地控制和降低气动噪声，首先需要对其进行准确的测量和深入的分析。
飞行器气动噪声的产生源于复杂的空气动力学现象。
当飞行器在空气中高速运动时，气流与飞行器表面相互作用，产生各种不稳定的流动结构，如湍流、边界层分离和漩涡等。
这些流动结构会导致压力的波动，从而产生声波，形成气动噪声。
要对飞行器气动噪声进行测量，需要采用一系列先进的技术和设备。
常见的测量方法包括麦克风阵列测量、激光多普勒测速（LDV）以及粒子图像测速（PIV）等。
麦克风阵列测量是一种广泛应用的方法。
通过在特定位置布置多个麦克风，组成阵列，可以同时测量多个点的声压信号。
这些信号经过处理和分析，可以得到噪声的强度、频率分布以及声源的位置等重要信息。
在实际测量中，麦克风的布置位置和数量需要根据飞行器的形状、尺寸以及噪声的特点进行精心设计，以确保测量结果的准确性和可靠性。
激光多普勒测速（LDV）和粒子图像测速（PIV）则主要用于测量气流的速度场。
通过了解气流的速度分布和流动特性，可以深入研究噪声产生的机制。
例如，LDV 可以精确测量单点的速度，而 PIV 能够获取整个流场的速度分布图像。
在测量过程中，环境因素也会对测量结果产生影响。
例如，背景噪声、风洞的湍流度以及测量设备的振动等都可能引入误差。
为了减少这些影响，通常需要在测量前对环境进行严格的控制和校准，采用先进的信号处理技术来去除噪声和干扰。
对测量得到的数据进行分析是理解飞行器气动噪声的关键步骤。
首先，需要对噪声信号进行频谱分析，以确定噪声的主要频率成分。
通过频谱分析，可以了解噪声在不同频率下的能量分布，从而找出噪声的主要贡献频率。
此外，波束形成算法也是常用的分析手段之一。
该算法可以根据麦克风阵列测量得到的声压信号，计算出声源的位置和方向。
基于分形维数的带噪语音端点检测贾亮;尹伊;杨慧超【摘要】噪声环境下语音端点检测的难度会大大提高,应用分形维数法对带噪语音进行了分析,利用分形的性质,可以更好地分析语音特性,根据分形维数的不同可以实现语音段与噪音段的分割,实现带噪语音的起止点检测.通过对比分形维数的端点检测法与传统的谱熵端点检测法,针对在信噪比为0dB与5dB的语音信号进行仿真,结果表明,分形维数的方法能更好地分割语音段与噪声段.【期刊名称】《沈阳航空航天大学学报》【年(卷),期】2017(034)005【总页数】5页(P63-67)【关键词】分形维数;语音端点检测;谱熵;带噪语音【作者】贾亮;尹伊;杨慧超【作者单位】沈阳航空航天大学电子信息工程学院,沈阳110136;沈阳航空航天大学电子信息工程学院,沈阳110136;沈阳航空航天大学电子信息工程学院,沈阳110136【正文语种】中文【中图分类】TN912.3端点检测可以把语音段部分进行定位，找出某一个需要的语音段的起始点和终止点从而为下一步的工作做好准备[1]。
传统的端点检测包括谱熵检测、倒谱距离检测、双门限检测等，在传统的端点检测方法中最常用的是双门限端点检测与谱熵端点检测法。
然而这些方法存在一些缺点，如在较纯净的语音状态下传统的端点检测方法均有很好的效果，但是在低信噪比条件下，传统的端点检测方法由于受到噪声的影响难以区分语音段与噪声段。
随着信息技术的迅猛发展，对检测效果的要求越来越高[2]，随即也有更多针对不同情形下端点检测的算法与观点被提出。
针对传统算法的不足，本文提出了一种新的改进的端点检测方法，在语言信号分析中，非线性因素往往会被忽略，而语言信号就是复杂的非线性随机过程。
人的发声过程存在混沌机制[3]，由此我们可以利用这种混沌机制来对语音进行分段，进而进行相应处理提取有用信息。
本文所采用的方法就是分形理论[4-6]。
分形理论中，分形维数法对于端点检测有很好的效果，但是由于分形计算中计算量很大，而端点检测的前提就是提高精度并提高速率，针对此算法的不足，本文提出了一种新的方法，改进点到拟合直线的阈值来提高端点检测精度，并与传统的谱熵法比较，提高检测精度。
车内噪声环境下的语音端点检测和增强技术
马龙华;臧义华;刘利强
【期刊名称】《计算机工程与应用》
【年(卷),期】2007(43)36
【摘要】随着现代科技的发展,车载电子设备越来越多,但是如果在驾驶中司机的手离开方向盘去操作这些电子设备却是很危险的.对于这个问题的一个解决方法就是这些设备都采用语音识别作为它们的输入接口.通常的语音识别系统在噪声环境下的识别率是很低的,造成识别率下降的一个重要原因就是端点检测的不准确,因此必须发展一些技术来解决这个问题.提出了一种基于子带美尔谱熵的算法,这种算法可以准确地检测到语音的起始点和结束点,得到语音端点就可以利用谱减的方法来进行语音增强,经过增强后的语音信号就可以用普通的语音识别系统进行识别.
【总页数】3页(P217-219)
【作者】马龙华;臧义华;刘利强
【作者单位】哈尔滨工程大学自动化学院,哈尔滨,150001;华北计算技术研究所指挥自动化研究室,北京,100083;哈尔滨工程大学自动化学院,哈尔滨,150001
【正文语种】中文
【中图分类】TN912
【相关文献】
1.一种强噪声环境下的语音端点检测算法 [J], 蔡萍
2.飞机驾驶舱噪声环境下的飞行员语音端点检测 [J], 诸心阳;黄丹;陆燕玉;傅山
3.瞬态噪声环境下改进的语音端点检测算法 [J], 李丹;圣明明;刘曼
4.瞬态噪声环境下改进的语音端点检测算法 [J], 李丹; 圣明明; 刘曼
5.噪声环境下多特征融合的语音端点检测方法 [J], 罗思洋;龙华;邵玉斌;杜庆治因版权原因，仅展示原文概要，查看原文内容请购买。
强背景噪声下基于HHT端点检测方法
申涛;冯刚
【期刊名称】《电声技术》
【年(卷),期】2014(038)001
【摘要】端点检测是语音识别系统中十分关键的一个步骤,它对整个语音系统识别的准确性有着至关重要的作用.针对目前端点检测算法在强背景噪声下存在的不足,通过引入HHT,提出了一种基于希尔伯特-黄变换的端点检测方法.该方法首先采用EMD分解出有限个IMF,然后对IMF进行Hilbert变换,将得到的IMF能量谱作为特征参数来进行语音信号的端点检测,仿真实验证明了该算法在强背景噪声下的有效性与稳健性.
【总页数】4页(P69-72)
【作者】申涛;冯刚
【作者单位】华南师范大学计算机学院,广东广州510631;华南师范大学计算机学院,广东广州510631
【正文语种】中文
【中图分类】TN912
【相关文献】
1.强噪音情况下的多种端点检测方法研究 [J], 王亚涛;朴春俊;权花紫
2.强噪声环境下基于改进HHT的语音端点检测 [J], 侯丽霞;曾以成;焦蓓
3.强背景噪声下语音端点检测的算法研究 [J], 吴边;王忠;刘兴涛
4.基于HHT的连续重力台站背景噪声分析方法研究 [J], 周莉娟;李辉;杨光亮;马未宇
5.电力载波通信中强背景噪声下弱信号的混沌振子检测方法 [J], 罗文亮;柯熙政;李欣
因版权原因，仅展示原文概要，查看原文内容请购买。
机场噪声测量方法
机场噪声测量方法通常包括以下几种：
1. 回声法：在指定的测试点发出固定频率的声波，测量声波被反射回测试点的时间差，从而计算出声速和距离。
2. 电声法：使用麦克风和计算机，测量来自飞机和其他噪声源的声音，并引入相应的滤波器，从而计算出声级。
3. 环绕声法：用多个麦克风在测量点周围设置，测量来自不同方向的声音，并计算出声级和声源相对位置。
4. 等效声荷载法：使用振动噪声测量仪器，在不接触飞机表面的情况下测量飞机发出的声音，并计算出影响点的声级。
综合以上测量方法可以得到准确的机场噪声数据，以便为机场噪声管理和减少噪声污染提供参考。
第27卷 第9期计 算 机 仿 真2010年9月 文章编号:1006-9348(2010)09-0337-04基于频谱方差的抗噪声语音端点检测算法刘玉珍,连自锋(辽宁工程技术大学电子与信息工程学院,辽宁葫芦岛125105)摘要:在语音识别系统中,对识别的准确性有很重要的作用。
对于纯净语音信号,传统的端点检测算法能够很好地检测语音部分的起止点。
由于在有噪声干扰的情况下,算法的检测准确度往往会急剧下降。
为了改善噪声环境下的端点检测效果,从语音信号和噪声信号频域分布特性的差异出发,用频谱方差数值来区分语音和噪声,提出了基于频谱方差的端点检测算法,并进行了无噪声和噪声环境下的仿真,证明了这种算法在强噪声干扰的情况下也能够取得很好的效果。
同时将新算法和传统的基于LPCC的端点检测算法进行了对比试验,实验结果表明,在噪声环境下,新算法的检测精度有明显提高。
关键词:频谱方差;端点检测;话音活动检测;语音识别中图分类号:TN912.34 文献标识码:AA lgorith m of Anti-noise Endpoi nt D etectionBased on Spectru m VarianceLIU Yu-zhen,L IAN Zi-feng(Coll ege o f E lectron i cs and Info r ma ti on Eng i neer i ng,L i aoni ng T echnica lU niversity,Hu l udao L iaon i ng125105,Ch i na)ABSTRACT:Endpo int detec tion is a cruc i a l techno logy o f preprocessi ng step in speech recogn iti on syste m s.It play sa very i m portant pa rt i n the accuracy o f the recognition results.T o pure speech si gna,l traditi onal endpo i nt detectionm e t hods can a l so achieve fa i r l y good results i n detecti ng the start and endpo i nt.Butw hen i n terfered by no ise,the detection accuracy of such m ethods a l w ays fall s sharply,o r even loses effec tiveness.T here a re differences i n frequencydom ai n bet ween speech and no i se d istri buti on characters.To i m prove the perfor m ance of endpo i nt de tecti on i n no isyenv iron m en t,t h is article takes such d i screpancy as a sta rting po i nt,uses spectru m var i ance to d i sti ngu ish vo i ce andno ise,and proposes a new anti-no isy endpo i nt detecti on me t hod base on spec tru m var i ance.T hen si m ulate t hem e t hod in bo t h pure speech s i gna l and speech w ith wh ite no i se,prove that this ne w m ethod can a l so perfor m we ll under t he c ircu m stances o f ser i ous no ise.A contrast test is also done w ith t he new m e t hod and a trad i tiona l m ethod,based on LPCC.T he outcom e show s t hat the ne w m et hod can ach ieve bette r e ffectiveness.KEY W ORDS:Spectru m va riance;Endpo i nt de tecti on;VAD;Speech recogn iti on1 引言数字语音信号是由语音部分和各种背景噪音混合组成,要在其中将需要处理的语音信号时段与静音时段、噪声时段区分开来,确定出语音信号的起始点,这就是端点检测,也称为话音活动检测(V o i ce A cti v ity De tecti on,VAD)。
一种复杂噪声环境下的语音端点检测方法
熊威;郑建立
【期刊名称】《电声技术》
【年(卷),期】2015(0)11
【摘要】为了提高端点检测的鲁棒性和实时性,提出了一种延迟分割策略:以能频比为特征参数确定粗端点,并在此基础上使用排列熵算法确定精确端点,以精确端点为起始点分割语音信号,对所得到的语音片段信号按照分类标准消除噪声信号带来的错误分割.在TIMIT连续语音库与NOISEX-92标准噪声库上的实验表明,文中提出的方法比基于常规的基于零能与谱熵的方法有更好的检测效果,特别是在低信噪比的情况下,效果尤为突出.
【总页数】5页(P54-58)
【作者】熊威;郑建立
【作者单位】东华大学信息学院,上海201620;东华大学信息学院,上海201620【正文语种】中文
【中图分类】TP302
【相关文献】
1.一种强噪声环境下的语音端点检测算法 [J], 蔡萍
2.复杂噪声环境下的语音端点检测系统 [J], 张皓;梁维谦
3.一种噪声环境的语音端点检测方法 [J], 王帛;冯新喜;邱浪波
4.一种噪声环境下的实时语音端点检测算法 [J], 徐大为;吴边;赵建伟;刘重庆
5.一种噪声环境下的语音端点检测方法 [J], 王文延;曾庆宁;李琴;赵中华
因版权原因，仅展示原文概要，查看原文内容请购买。
一种强噪音环境中的语音端点检测算法
孙科伟;李建海;杨海东;宋博
【期刊名称】《电子技术应用》
【年(卷),期】2013(39)12
【摘要】针对强噪音环境中语音端点检测准确率较低的问题,提出了一种应用在强噪音环境中的语音端点检测算法,结合先验信噪比估计语音增强和改进子带谱熵的算法实现了强噪音中的端点检测.实验结果表明,相比传统端点检测算法,该算法在不同噪声环境下具有较高的鲁棒性,特别是在低信噪比下具有较高的端点检测准确率和较低的误检率.
【总页数】3页(P135-137)
【作者】孙科伟;李建海;杨海东;宋博
【作者单位】空军工程大学航空航天工程学院,陕西西安710038;空军工程大学航空航天工程学院,陕西西安710038;空军工程大学航空航天工程学院,陕西西安710038;空军工程大学航空航天工程学院,陕西西安710038
【正文语种】中文
【中图分类】TN912.3
【相关文献】
1.一种强噪声环境下的语音端点检测算法 [J], 蔡萍
2.强噪声环境下自适应语音端点检测算法 [J], 林雪梅
3.强噪声环境下改进的语音端点检测算法 [J], 鲁远耀;周妮;肖珂;叶青
4.一种基于噪音动态检测的语音端点检测算法 [J], 胡钢;沈文轩;刘云江
5.一种低信噪比环境下的语音端点检测算法 [J], 卜玉婷;曾庆宁;郑展恒
因版权原因，仅展示原文概要，查看原文内容请购买。
飞机驾驶舱噪声环境下的飞行员语音端
点检测
摘要：为在飞行驾驶舱噪声环境下准确判定飞行员语音端点，提出一种鲁棒
语音端点检测方法。
使用最优改进对数谱幅度估计语音增强算法进行初步语音降噪，通过teager能量算子进一步滤除残余噪声，并将降噪后语音短时能量与子
带谱熵的比值作为双门限判决参数，检测飞行员语音起止点。
实验结果表明，与
基于能量参数或频谱熵参数的语音端点检测方法相比，该方法能有效提高检测正
确率。
关键词：驾驶舱人为因素；语音端点检测；最优改进对数谱幅度估计算法；teager能量算子；子带谱熵
引言：航空安全是航空飞机高效运行的基础，目前，航空运输因素已成为导
致空难的最重要因素。
必须准确识别和测量飞行员的行为或活动，如通信、导航、执行检查表等，以评估飞行员的工作负荷，改进驾驶舱的设计或飞行员的操作流程，避免飞行员繁重的工作负荷造成人为操作失误。
飞行员的语音信息是分析飞行员行为或活动的重要依据。
语音记录器中的飞
行员语音可以通过终端语音检测技术提取，飞机空域的声环境非常复杂，包括发
动机噪声、飞行过程中外部气流的紊流声、客舱控制设备的声音、空调噪声等。
这使得传统的语音端点检测方法的检测效果在直接基于频谱频率的情况下，信号
能量以全带宽、信号能量以低带宽或零速度超过速度的情况下，在低噪声比下变
得尖锐。
已有研究表明，蚁群频率信息能更有效地反映语音信号的时间特性。
在此基
础上，采用谱计数的方法去噪，并以子带谱熵去噪语音作为判决参数，实现对端
点语音的检测。
但是谱减法更适合于平稳噪声的状态，在复杂的航空环境中抑制
噪声的能力较弱，在降噪过程中会产生音乐噪声。
谱熵子带能有效地区分语音和
噪声，但在含噪人声中其性能较差，且语音和噪声的能量越来越大于噪声。
因此，引入了熵和能量相结合的决策参数，但在低噪声信号下，该方法的性能并不稳定。
针对飞机驾驶舱内强噪声环境，提出了一种鲁棒性强的语音端点检测方法，该方
法结合了提高对数谱强度的优化改进算法和Teager能量算子。
首先用该算法指
定带噪表达式，然后通过噪声抑制效果进一步滤除剩余噪声，最后将去噪语音的
能量值和谱熵进行综合，得到端点检测的决定性参数，强航空背景噪声环境下飞
行员语音目标参数的有效确定。
1检测原理
1.1OM-LSA算法
OM-LSA算法作为一种单通道频域语音增强算法，能够适应多种噪声环境，在
保护较弱语音信号分量的同时，可避免音乐噪声的产生，该算法对于低输入信噪
比和非平稳噪声尤其有效。
假设语音信号为s（n）叠加一个不相关的噪声信号y （n）构成含噪语音信号u（n）。
对含噪语音信号月（n）加窗分帧处理后得到第
i帧语音信号y（m）通过短时傅里叶变换求y（m）的傅里叶变换系数。
OM-LSA
算法是基于最小均方误差的对数幅度谱估计器，对于符合高斯分布的语音和噪声
信号，可以通过式字估计语音信号的傅里叶变换系数。
1.2能量算子
Trager是一种强大的非线性算子，它能跟踪调制能量，识别瞬时幅度和频率，Teo能抑制噪声，并进一步滤除om-lsa算法后语音信号中的残余噪声，与谱图相比，Teo不仅能抑制噪声能量，而且能有效地抑制噪声，但也突出蚂蚁的信息，
同时保留语音信号的能量。
1.3短时能量与子带谱熵
设各帧语音信号月（m）的帧长为N，短时能量指各语音帧的能量。
能量值曲
线能较好地跟踪纯净语音信号能量的变化，且在噪声段更平滑。
谱熵反映了离散
信源在频域内幅值分布的无序性，将熵值作为特征参数进行端点检测的实验结果
表明，语音的熵与噪声的熵存在较大区别，带谱熵的提出是为了消除每一条谱线
幅值受噪声影响的问题，其将每帧语音信号的全频带均匀地分成N个子带，语音信号第i帧的第w个子带的能量谱。
当语音信噪比下降时，子带谱熵对语音和噪声的区分性也相应下降。
1.4端点检测方法
结合om-lsa语音增强算法和TEO算法，对飞行员语音记录中的背景航空噪声进行抑制，计算出被呼叫语音信号的短时能量和子带谱熵。
在语音间隔内，短时能量曲线向上凸，谱熵子带曲线向上凸，短时能量曲线向下有限，如果将这两个值的比值作为双阈值的决定参数，决策参数可在语音间隔中增加以使得能够在强航空背景环境中检测飞行员示范的目标点。
基于双阈值的语音端点检测是最常用的语音端点检测方法之一，它通过选择判决参数来检测语音端点。
2实验与结果分析
2.1实验场景及数据
实验中的飞行员语音记录采集的驾驶舱中，在飞行过程中，通过头戴式麦克风采集飞行员语音，采样率为8kHz，采样精度为16bit，帧长选择25ms，帧移为10ms，实验对10段语音数据，总时长为48min进行检测，计算检测正确率与错误率的平均值，
2.2实验方法
首先利用OM-LSA语音增强算法对飞机驾驶舱中的语音记录做增强处理，然后对基于短时能量与过零率比值的检测算法（EZR），基于短时能量与谱熵比值的检测方法（EER）以及本文方法进行比较。
2.3评价指标
对飞机驾驶舱中的飞行员语音记录进行人工标定起止点，将算法检测结果与手工标定的起止点进行比较，通过以下，个客观评价指标来评价端点检测方法的性能。
2.4结果分析
段原始飞行员语音数据及
其语谱图，在216HZ-2170HZ的频率范围内，语音信号的频谱被噪声的频谱遮掩，在2170HZ-4000HZ频率范围内，可见语音信号的频谱，语音经过OM-LSA 算法初步降噪后的语音数据及其语谱图，其中中低频的噪声能量被滤除，可见语音信号的频谱?但在2170HZ-4000HZ频率范围内仍有能量较小的噪声残留，利用TEO进一步降噪后的端点检测结果标记。
对飞行员语音数据集进行测试?得到的平均检测正确率和错误率，可以看出，本文方法在对语音帧和噪声帧检测的平均正确率上，均高于EZR和EER方法。
3结束语
从飞行员的语音记录中提取信息对分析飞行员的行为或活动起着关键作用，也是人类驾驶舱因素研究的重点。
首先采用om-lsa算法对导频语音进行降噪，然后采用Teo算法对噪声进行进一步滤波，以减少端点检测的干扰。
最后，采用能量比和谱熵去噪语音作为端点检测的判定参数，实现了强背景噪声下语音导频端点的检测，本文的语音帧和噪声帧检测的平均准确率分别达到95.6%和92%，而且可以获得飞行员声音的准确信息。
后续工作将改进端点检测过程中使用的决策参数，进一步提高检测精度。
参考文献：
[1]张仁志，崔慧娟.基于短时能量的语音端点检测算法研究[J].电声技术，2005（7）：52-54.
[2]席大林，李如玮，陈海龙.基于自相关最大值和过门限率的语音端点检测[J].电声技术，2010，34（4）：55-59.
[3]刘淑华，胡强，覃团发，等.基于自相关函数最大值的语音端点检测方法[J].电声技术，2006（12）：48-51.
[4]张仁志，崔慧娟.基于短时能量的语音端点检测算法研究[J].电声技术，2005（7）：52-54.
[5]席大林，李如玮，陈海龙.基于自相关最大值和过门限率的语音端点检测[J].电声技术，2010，34（4）：55-59.。
