[實用新型]基于MFCC的電臺識別裝置

有效

• 申請號: 201320621087.5
• 申請日: 2013-10-10
• 公開（公告）號: CN203552694U
• 公開（公告）日: 2014-04-16
• 發明（設計）人: 王文秀;周云霞;周靖凱;曹冬建
• 申請（專利權）人: 南京工程學院
• 主分類號: G10L15/08
• 分類號: G10L15/08;G10L15/16;G10L15/02
• 代理公司: 南京正聯知識產權代理有限公司 32243
• 代理人: 沈志海

技術領域

本實用新型屬于音頻處理領域，具體來說涉及一種基于MFCC的電臺識別裝置。

背景技術

MFCC語音識別實際上是一種語音參數比對過程。

1952年，成功實現少數識別；1960年，成功研究第一個計算機語音識別系統。經過幾十年的發展，語音識別技術的應用及產品化方面出現很大的進展，效果較好。目前，人們仍然在對DARPA計劃進行研究。

在目前，BP（Back?Propagation）神經網絡是應用最廣泛的神經網絡模型之一。BP網絡能學習和存儲大量的輸入-輸出模式映射關系，而無需事前揭示描述這種映射關系的數學方程。

MATLAB廣受用戶歡迎，除內部函數外，所有MATLAB工具包和主包文件都是可讀可修改的，用戶通過對源程序的修改或加入自己編寫程序就可以構造新的專用工具包。到了20世紀90年代，MATLAB已經是國際的標準計算軟件。

使用這幾項技術實現電臺識別功能，可以為電臺識別結果帶來很大的保障。

實用新型內容

本實用新型通過實現以上所述的三種技術的巧妙融合使用，實現語音的清晰識別，進而實現電臺識別功能。本實用新型采用如下技術方案：

一種基于MFCC的電臺識別裝置，依次包括預處理模塊、DFT/FFT分析器、MEL頻率濾波器、Log對數能量處理模塊和DCT求倒譜模塊，其特征在于，所述電臺識別裝置還具有BP神經網絡訓練系統，BP神經網絡訓練系統具有BP神經網絡語音模型庫，通過DCT求倒譜模塊處理所獲得的頻譜與BP神經網絡訓練系統中BP神經網絡語音模型庫中的語音特征參數進行比較。

所述比較可以采用多種方式來進行，但優選地，比較是采用MATLAB仿真裝置來進行。

進一步，BP神經網絡訓練系統還具有量化與采樣裝置。

優選地，預處理模塊包括預加重電路、分幀和加窗系統。

有益效果：

本實用新型采用了基于MFCC+BP神經網絡的識別方法，開始先使用同一錄音設備對不同電臺（包括中央和地方）進行錄音，準備素材及格式轉換后使用MATLAB讀取所錄的音頻文件，再對每個文件進行MFCC特征參數提取，接著訓練有代表性的音頻文件，建立BP神經網絡錄音設備模型庫，最后選取所錄的語音與BP神經網絡模型庫做對比，最終判定測試語音來自哪個電臺。由于語音比其他形式的交互方法具有更多的優勢，因此采用這項技術作為背景音為信息安全也提供了穩定的保障。

附圖說明

圖1為基于MFCC的電臺識別裝置的結構示意圖。

具體實施方式

下面結合附圖對本實用新型的技術方案進行詳細說明：

如圖1所示，本實用新型的基于MFCC的電臺識別裝置，包括預處理模塊、DFT/FFT分析器、MEL頻率濾波器、Log對數能量處理模塊和DCT求倒譜模塊，另外還具有BP神經網絡訓練系統，在BP神經網絡訓練系統中通過量化與采樣建立BP神經網絡語音模型庫，將在先步驟中進行MFCC特征參數提取獲得的參數與BP神經網絡訓練系統中BP神經網絡語音模型庫中的語音特征參數進行比較，獲得判斷。其中預處理模塊包括預加重電路、分幀和加窗系統。在比較時，主要采用MATLAB仿真來判斷方案的正確性，從而獲得準確有效的結果。

綜上所述，相比于現有技術，本實用新型的優點在于在已有技術基礎上對用途的拓展：每個電臺其獨特的聲道特性和頻率特點使其信息具有區別于其電臺的特征，這是電臺識別的基本依據。因為電臺信號的聲音可調至很高，人聲可嵌入，不易被聽取，這樣一來，對竊聽等形式的信息獲取干擾較大，信息保密性較好，因此，電臺語音信號分析將是非常有意義的事情。

上面結合附圖對本實用新型的實施方式作了詳細的說明，但是本實用新型不限于上述實施方式，在所屬技術領域普通技術人員所具備的知識范圍內，還可以在不脫離本實用新型宗旨的前提下做出各種變化。