基于麦克风小阵的多噪声环境语音增强算法

针对助听器等设备在非平稳或多种噪声并存环境下使用效果急剧下降的问题,提出一种基于小尺寸麦克风阵的相干滤波广义旁瓣抵消(CF-GSC)语音增强算法。该算法结合麦克风阵采集信号的特点,对各阵元间采集时表现为弱相关的海浪、风扇等近似白噪声,以及采集时表现为强相关的点源信号及其他竞争噪声,分别利用相干滤波和传统广义旁瓣抵消(GSC)结构对弱相关与强相关噪声的良好滤除效果,结合语音活动检测(VAD)在噪声段进行联合处理。仿真实验表明在多类噪声存在环境下,该算法能取得相对改进的通道间相干函数滤波算法及传统广义旁瓣抵消算法2 dB左右的增强效果提升,同时能获得良好的话音可懂度。     

基于TF-GSC的多通道后置滤波语音增强算法

针对传统语音增强算法在非平稳噪声,尤其是在噪声为语音的环境下,对噪声的抑制效果急剧下降的情况,提出了一种基于传递函数—广义旁瓣抵消(TF-GSC)和最佳修正测井谱振幅估计量(OM-LSA)的改进型多通道后置滤波语音增强算法.算法在后置滤波时,利用TF-GSC输出信号与参考噪声之间的相互关系求解出语音存在概率,并更新噪声功率谱估计.实验结果表明:算法可以有效地抑制非平稳噪声,提高语音增强算法在语音噪声环境下的鲁棒性.     

一种基于信噪比乘积更新的广义旁瓣抵消器

广义旁瓣抵消器由于实现结构简单在麦克风阵列算法中得到了广泛的应用.但是传统的广义旁瓣抵消器算法对导向矢量失配误差比较敏感,容易产生目标方向信号的自抵消现象.针对此问题,本文提出了一种改进算法,通过固定波束形成和自适应阻塞矩阵输出的信噪比乘积控制多输入抵消器的更新,降低目标方向信号的自抵消影响,提升语音质量.在8.5 m...     

神经元网络语音增强方法及DSP实现

在噪声环境下双麦克风语音增强应用中,由于麦克风之间存在交叉串扰,传统自适应对消算法降噪性能受到极大的哪影响.为了提高降噪系统性能,提出了一种基于神经元网络双麦克风自适应抗交叉串扰语音增强方法.该方法通过设置两级自适应算法,消除了麦克风之间的交叉串扰,其中自适应算法均采用神经元网络对消方法.算法仿真基础上,运用DSP制作了实时降噪处理样机.测试结果表明,采用新方法后,系统噪声抑制性能得到了很大的提高.     

基于广义奇异值分解的通用旁瓣消除算法

提出一种新的通用旁瓣消除器结构,它利用广义奇异值分解(Generalized singular value decomposition,GSVD)技术,通过广义奇异向量的变换间接估计声源到麦克风之间的传递函数.不同噪声环境下的实验结果表明,与现有的各种GSC算法相比,该算法能够更有效地抑制混响和噪声,并且增强后的语音失...     

智能音箱中的一种快速回声消除算法

考虑到智能音箱中多采用麦克风阵列作为拾音装置,而单通道自适应滤波技术对声学回声消除具有失真性和复杂性,提出一种麦克风阵列快速回声消除算法。该算法首先用自适应滤波技术估计第一通道回声,然后估计阵列间的相对回声传递函数,把两者相乘得到其他通道回声;其次,把估计出的回声和噪声当作广义旁瓣抵消器（GSC）波束形成下支路的噪声参考信号,利用GSC波束形成算法去除回声和噪声。仿真结果表明,在中度混响、远距离、低回噪比且用音乐作为回声环境时,该算法具有良好的回声消除与噪声抑制性能,不仅运算量小,而且使目标语音信号具有较高的信源失真率和可懂度。     

基于Kalman滤波的GSC改进语音增强算法

针对广义旁瓣相消器（Generalized sidelobe canceller,GSC）存在非相干噪声消除性能不佳的缺陷,提出了采用后置Kalman滤波器改进的GSC去噪算法。该算法通过归一化最小均方算法校正自适应噪声对消器,并将滤除方向性干扰噪声后的语音信号输出到Kalman滤波器中,对残余背景噪声进行迭代最小均方误差（Minimum mean square error,MMSE）估计,抑制非相干噪声与麦克风阵元所产生的热噪声。经过在不同信噪比条件下客观语音质量评估（Perceptual evaluation of speech quality,PESQ）及语谱图分析后证明,与传统的GSC以及后置谱减法的改进GSC相比,本算法在噪声消除上的表现更为优越,且增强后信号也更接近目标信号。     

基于麦克风阵列的语音增强算法研究

麦克风阵列信号处理技术的语音增强方法,能够充分利用语音信号的时空信息,其波束控制能力、抗干扰能力和信号增益均优于传统的方法。对于广义旁瓣抵消(GSC)的自适应滤波算法,在噪声相干的情况下具有很好的噪声抑制作用,但并不适用于噪声为非相干情形;反之,维纳滤波算法在噪声非相干的情况下对噪声有很好的抑制作用,而又不适用于噪声相干情形。为防止出现在高信噪比的情况下信号相消的现象,首先对GSC的阻塞矩阵进行了改进,其次对维纳滤波算法中信噪比取值的不确定性进行了改进,最后尝试将两种算法进行融合。仿真结果表明:融合算法在两种噪声情况下都具有较好的噪声抑制能力,在复杂噪声环境中具有更高的可靠性,因而更具实用价值。     

一种广义旁瓣抵消器结构的语音增强改进算法

当广义旁瓣抵消器（Generalized sidelobe canceller,GSC）结构的语音增强算法对语音信号的入射方向角估计不准确时,阻塞矩阵（Blocking matrix,BM）不能完全阻塞目标语音,使得部分语音通过阻塞矩阵,在后期多输入抵消器（Multiple-input canceller,MC）模块中和参考信号相抵消,造成目标语音的损失。针对广义旁瓣抵消器因信号到达方向（Direction of arrival,DOA）估计误差而导致语音泄漏的问题,本文提出了一种麦克风阵列语音增强的优化算法,先对经过时延补偿的信号进行频谱调整,再利用MC模块输出与BM模块输出存在相关性的特点,对阻塞矩阵进行自适应调整,使方向估计参数更趋近于真实目标语音方向,以减少阻塞矩阵中目标语音的泄漏。仿真结果表明,该算法 可以有效减少阻塞矩阵中目标语音的泄漏、增强系统的鲁棒性以及提高语音增强效果。     

一种双通道语音增强方法

本文提出了一种用于语音识别的双麦克风语音增强算法。该算法主要利用两个语音通道之间语音信号的空间相关性和时间相关性,进行空时域滤波,消除噪声。在输入语音信噪比为0至20dB之间时,能获得较大的信噪比处理增益。该方法只采用了两个麦克风,结构简单;相对于维纳后滤波法,解除了要求两麦克风接收的噪声信号不相关的约束,可以去除点声源的非强相干噪声。和一般的波束形成算法相比,可以去除期望声源方向的弱相关噪声。     

基于双微阵列与卷积神经网络的语音识别方法

为解决噪声环境下语音识别率降低以及传统波束形成算法难以处理空间噪声的问题,基于双微阵列结构提出了一种改进的最小方差无畸变响应（MVDR）波束形成方法。首先,采用对角加载提高双微阵列增益,并利用递归矩阵求逆降低计算复杂度;然后,通过后置调制域谱减法对语音作进一步处理,解决了一般谱减法容易产生音乐噪声的问题,有效减小了语音畸变,获得了良好的噪声抑制效果;最后,采用卷积神经网络（CNN）进行语音模型的训练,提取语音深层次的特征,有效地解决了语音信号多样性问题。实验结果表明,提出的方法在经CNN训练的语音识别系统模型中取得了较好的识别效果,在信噪比为10 dB的F16噪声环境下的语音识别率达到了92.3%,具有良好的稳健性。     

一种改进的最小统计噪声功率谱估计算法

噪声功率谱估计是语音增强系统中的一个重要部分。基于Martin提出的最小统计噪声功率谱估计算法（MS）提出了一种改进的噪声功率谱估计算法。实验结果表明算法能够较好跟踪噪声谱的变化,提高噪声功率谱估计的准确性,改善增强后语音的质量。     

基于改进深度置信网络的语音增强算法

研究了一种基于深度置信网络的语音增强算法，并针对其不足做如下改进：考虑到对应训练集中噪声种类较少，噪声特性不够丰富的情况，在频域对噪声频谱进行扰动，以丰富噪声频谱特性；考虑到不同频点的信号对系统误差的影响不一样，结合绝对听阈构造权重系数。最后选取在噪声环境下传统语音增强算法中较好的LOG-MMSE和本文改进的基于深度置信网络的语音增强算法进行了分析比较，结果证明深度置信网络的语音增强算法显示出较好性能，尤其对增强后语音质量的提升超过了LOG-MMSE方法。     

一种改进的维纳滤波语音增强算法

提出了一种改进的语音增强算法,该算法以基于先验信噪比估计的维纳滤波法为基础。首先通过计算无声段的统计平均得到初始噪声功率谱;其次,计算语音段间带噪语音功率谱,并平滑处理初始噪声功率谱和带噪语音功率谱,更新了噪声功率谱;最后,考虑了某频率点处噪声急剧增大的情况,通过计算带噪语音功率谱与噪声功率谱的比值,自适应地调整噪声功率谱。将该算法与其他基于短时谱估计的语音增强算法进行了对比实验,实验结果表明：该算法能有效地减少残留噪声和语音畸变,提高语音可懂度。     

改进相位谱补偿的语音增强方法

针对传统单通道语音增强方法中用带噪语音相位代替纯净语音相位重建时域信号，使得语音主观感知质量改善受限的情况，提出了一种改进相位谱补偿的语音增强算法。该算法提出了基于每帧语音输入信噪比的Sigmoid型相位谱补偿函数，能够根据噪声的变化来灵活地对带噪语音的相位谱进行补偿；结合改进DD的先验信噪比估计与语音存在概率算法（SPP）来估计噪声功率谱；在维纳滤波中结合新的语音存在概率噪声功率谱估计与相位谱补偿来提高语音的增强效果。相比传统相位谱补偿（PSC）算法而言，改进算法可以有效抑制音频信号中的各类噪声，同时增强语音信号感知质量，提升语音的可懂度。     

基于卷积神经网络的面罩语音识别

针对带噪面罩语音识别率低的问题,结合语音增强算法,对面罩语音进行噪声抑制处理,提高信噪比,在语音增强中提出了一种改进的维纳滤波法,通过谱熵法检测有话帧和无话帧来更新噪声功率谱,同时引入参数控制增益函数;提取面罩语音信号的Mel频率倒谱系数(MFCC)作为特征参数;通过卷积神经网络(CNN)进行训练和识别,并在每个池化层后经局部响应归一化(LRN)进行优化.实验结果表明:该识别系统能够在很大程度上提高带噪面罩语音的识别率.     

基于间接拉普拉斯模型因子估计的语音增强算法

对DCT城基于拉普拉斯统计模型的语音增强，分析了模型因子的估计误差及其对于算法整体增强性能的影响，并根据广义高斯分布模型度其形态参数的概念与性质，提出了一种新的拉普拉斯模型因子估计方法，该方法结构简单，它利用拉普拉斯模型条件下语音分量方差与模型因子的对应关系，间接地获取模型因子的估计，算法不仅有效地消除了噪声分量对于估计精度的影响，而且可以快速地跟踪语音分量的变化。仿真结果表明，基于该模型因子估计方法的语音增强算法在多种噪声背景下具有更出色的语音增强效果。