cipai5547的博客

语音识别工具kaldi学习资料：kaldi官网中文学习资料翻译第四版+thch30数据学习笔记

说话人识别MSR Identity Toolkit是微软的声纹识别工具箱。该工具箱包含了常规的基于GMM-UBM方法以及基于i-vector方法的介绍文档与MATLAB源码。在此基础上，加入了个人学习过程中产生对应List的python文件，资料更为完整，对初学者十分有帮助。结合下面的链接中的博客来学习，迅速入门。 https://blog.csdn.net/u010592995/article/details/77340761

《MATLAB在语音信号分析和合成中的应用》对应的MATLAB源码。第2章语音信号的时域、频域特性和短时分析技术；第3章语音信号在其他变换域中的分析技术和特性；第4章语音信号的线性预测分析；第5章带噪语音和预处理；第6章语音端点的检测；第7章语音信号的减噪;第8章基音周期的估算方法;第9章共振峰的估算方法;第10章语音信号的合成算法。

滤波器设计在数字信号处理中占有极其重要的地位，IIR滤波器是滤波器设计的重要组成部分。课题基于Matlab有噪音语音信号处理的设计与实现，综合运用数字信号处理的理论知识对加噪声语音信号进行时域、频域分析和滤波。在设计实现的过程中，用巴特沃斯、切比雪夫和双线性变换法设计IIR数字滤波器，并利用Matlab作为辅助工具完成设计中的计算与图形的绘制。Matlab图形用户界面GUI的数字滤波器设计与仿真方法,不仅依赖于Matlab代码,而且充分利用控件,使得设计更加的快捷、直观、灵活性强。通过LabVIEW对所设计的系统进行仿真分析，可以有效快捷地设计IIR数字滤波器，结果的各项性能指标均达到指定要求。并对语音信号进行分帧（enframe函数），分别取浊音帧和清音帧计算短时能量和短时平均过零率等参数，并对结果进行比较分析。

SP++ (Signal Processing in C++) 是一个关于信号处理与数值计算的开源C++程序库，该库提供了信号处理与数值计算中常用算法的C++实现，来自于作者张明。具体包括了向量类模板、矩阵类模板、线性方程组、非线性方程组、插值与拟合、优化算法、傅里叶分析、数字滤波器设计、随机信号处理、功率谱估计、自适应滤波器、时频分析、小波变换、查找与排序等具体C++的实现代码。是非常使用的工具箱。

针对美国“山顶”计划，在网上搜集整合的文档及个人学习文档。“山顶”计划的主要目的是仿真与机载监视雷达相同的杂波环境。看完本文件，定会对山顶计划有个深刻的认知。

针对美国“山顶”计划得到雷达仿真数据的空时方位谱分析。“山顶”计划的主要目的是仿真与机载监视雷达相同的杂波环境。本文件包括仿真数据和对应的方位谱分析源码。

latex实用入门教程，详细介绍了功能及如何使用，对入门帮助大。

EndNoteX7实用入门教程，详细介绍了功能及如何使用，对入门帮助大。

空时自适应处理STAP入门文献J_Ward的Space-time adaptive processing for airborne radar对应的文献pdf。

空时自适应处理STAP入门文献J_Ward的Space-time adaptive processing for airborne radar各章对应的matlab源码，具体到每张图的源码。

两信噪比都为15dB的非相关窄带信号源分别从-1°和2°入射到基阵，与信号不相关窄带高斯白噪声，采用阵元域MUSIC、波束域MUSIC估计方位谱。

目标方位估计的经典算法的matlab源码。功能：两信噪比都为15dB的非相关窄带信号源分别从-1°和2°入射到基阵，与信号不相关窄带高斯白噪声，采用常规波束(DAS)扫描、MVDR波束形成、MUSIC估计目标方位。

非参数化自适应检测领域的经典算法，Kelly的广义似然比检测--GLRT仿真的matlab源码。

自适应检测领域的经典算法，包括GLRT（Kelly），AMF，ACE。

基于总体变化子空间自适应的i-vector说话人识别系统研究文档；在说话人识别研究中, 基于身份认证矢量(identity vector,i-vector) 的子空间建模被证明是目前最前沿最有效的说话人建模技术,其中如何有效准确地估计总体变化子空间矩阵T 成为影响系统性能好坏的关键问题. 本文针对i-vector 技术如何在新的应用环境下进行总体变化子空间矩阵T 的自适应估计问题进行了研究, 并提出了两种行之有效的自适应估计算法. 在由美国国家标准技术局(American NationalInstitute of Standard and Technology, NIST) 组织的2008 年说话人识别核心评测数据库以及自行采集的测试数据库上的实验结果显示,不论采用测试集数据本身还是与测试集较匹配的开发集数据, 通过本文 所提的自适应算法来更新总体变化子空间矩阵均可以使更新后的子空间更有利于新测试数据下的低维子空间描述, 在新的测试环境下都更有利于说话人分类. 此外实验结果还表明基于多子空间拼接的子空间自适应方法性能明显优于迭代自适应方法, 而且两者的结合可达到最优的识别性能, 且此时利用开发集数据进行自适应可以接近其利用测试集数据进行自适应得到的最优性能.