一种DCT域的语音增强改进算法

提出了一种DCT域的语音增强改进算法。该算法依据DCT域语音分量和噪声分量统计分布的不同,采用最大后验概率估计方法对语音分量进行精确估计,实现将语音信号从噪声环境中分离出来,从而有效地改善语音质量。在低信噪比条件下,该算法可以有效降噪,且增强效果较频域增强算法更好。     

基于信号能量分布拟合优度的长短时记忆网络频谱感知算法研究

传统频谱感知算法性能在低信噪比下不够理想,在高信噪比下较好,算法性能随信噪比降低逐渐变差。本文提出了基于信号能量分布拟合优度的长短时记忆网络频谱感知算法,利用授权用户信号存在时的接收信号为基础,计算接收信号的能量分布,并将通过拟合优度算法得到的距离值作为特征构造特征向量,然后将特征向量输入长短时记忆网络训练得到模型,最后将测试数据输入训练模型进行预测,从而实现频谱感知。仿真结果表明,本文提出的新算法在信噪比为-13 dB,采样点数为28时,检测概率达到96.21%,明显优于传统能量检测算法和传统拟合优度算法。      

含噪语音信号频谱增强技术的统计方法研究与展望

基于单个麦克风的含噪语音信号频谱增强技术,一直受到有关工业和学术界的高度关注,其广泛应用于诸如语音识别、助听系统和免提终端通信等领域中。本文系统地讨论了含噪语音信号频谱增强系统设计的基本模块元素,并对诸如语音信号估计、语音信号出现概率估计、先验信噪比(SNR)估计和噪声功率谱估计等模块元素的统计技术与方法进行了较详细的讨论和描述。文中还讨论了含噪语音信号频谱增强算法的有关选择问题,并展望了其今后可能的研究与发展方向。     

基于仿生小波变换和模糊推理的语音降噪算法研究

提出了一种基于仿生小波变换和模糊推理的变步长自适应滤波语音降噪算法。该算法首先用仿生小波变换法对包含噪声的语音信号进行小波分解,以分离出来的噪声信号作为自适应滤波器的输入,选择基于模糊推理变步长自适应算法对带噪声语音信号进行降噪处理,最终实现语音信号的信噪分离,去除语音信号中的噪声。仿真结果表明,该方法对语音信号有较为明显的降噪效果。     

降噪自编码器用于频谱感知对抗防御模型

基于深度学习的频谱感知模型虽检测性能优异，但普遍具有脆弱性，容易受到频谱对抗攻击的干扰。为了防御这种攻击，提出使用降噪自编码器过滤对抗信号，并在此基础上提出了一种结合降噪自编码器和防御蒸馏的联合防御方法。利用对抗信号和干净信号预训练得到降噪自编码器，频谱信号经降噪自编码器过滤后用于训练感知分类器，在测试阶段，联合使用降噪自编码器和分类器。同时，为进一步缓解扰动对模型性能的影响，在分类器训练阶段，利用蒸馏算法平滑训练网络，提高模型泛化能力。实验结果表明，对于可以降低深度学习频谱感知模型检测概率的频谱对抗攻击，所提出的基于降噪自编码器的防御方法仍然能够拥有较高的检测概率和较低的攻击成功率。     

基于实值离散Gabor变换的联合时频域语音增强

传统变换域语音增强方法对语音做短时平稳性假设,这会造成对语音信号和噪声信号谱估计不准确,从而导致语音失真和残留噪声。本文提出一种从联合时频域进行语音增强的方法,该算法无需对语音做短时平稳假设。算法采用具有最佳能量聚集特性的高斯变换核函数,利用能快速实现的实值离散Gabor变换（RDGT）将语音信号变换到联合时频域,然后利用语音和噪声谱服从高斯分布的假设和无语音概率的思想进行基于最小均方误差的语音对数谱估计,采用改进的最小受控递归平均算法（IMCRA）进行噪声时频谱估计,在得到纯净语音的谱估计后利用实值离散Gabor逆变换获得纯净语音估计。实验表明,该算法相比频域变换算法具有较好的语音去噪度和较低的语音失真度。      

基于决策树的语音与乐音信号分类算法

提出一种基于决策的语音与乐音信号的分类算法,通过提取输入信号的幅度信息、频谱分布特征信息用于信号的分类的特征参数,再利用决策树中的ID3算法进行分类,并对分类结果进行后期调整,进一步提高算法分类的正确率。实验结果表明,提出的语音与乐音信号分类算法取得了平均96.12%的正确率。     

基于组合算法的语音降噪研究

在语音信号处理领域,子空间降噪算法和自适应算法是经常被用来处理信号的技术手段。分析和研究VSLMS自适应滤波算法和子空间变换的原理和方法[1-2],提出了一种新的组合方式,实现语音降噪算法的进一步改善。组合算法首先使用归一化的子空间算法对语音信号进行子空间层面分解,然后将分离出来的带噪信号作为自适应滤波算法的输入,利用处理因子的迭代,实现对带噪信号的增强处理,最终实现语音处理的优化。实验表明,组合算法的降噪效果,优于传统的使用单个算法进行降噪的方法。     

利用卷积神经网络和协方差的协作频谱感知算法

针对基于信号协方差矩阵的频谱感知算法门限难于准确得到及没有充分利用原始信号信息等问题,提出了基于卷积神经网络和协方差矩阵的协作频谱感知算法。首先将接收的I、Q两路正交信号的归一化协方差矩阵组成双通道输入矩阵,然后使用卷积神经网络直接提取协方差矩阵的特征信息,并进行训练得到分类器,最后使用训练好的模型进行频谱感知。仿真结果表明,本文所提出的频谱感知算法优于对比算法,在信噪比为-13 dB、40个次用户协作感知时,本文算法虚警概率低于0.1,检测概率达到0.9以上。      

一种新型的认知无线电频谱空穴自适应检测算法

根据认知无线电实际频谱需求,通过对弱信号检测技术的研究,该文首次在认知无线电领域提出了一种基于三重矩阵累积估计的频谱空穴检测算法,该算法将频域块自适应滤波与矩阵重构、累积估计和频域平滑相结合实现弱信号检测。最后以QPSK调制信号为例进行了算法的计算机仿真,给出了性能分析。仿真结果表明该检测算法能够快速有效地实现弱信号检测并具有较高的检测概率,完全可以应用于认知无线电的频谱空穴检测。     

基于信号子空间的语音增强方法

基于子空间的语音增强算法不同于基于信号处理和统计估计的经典语音增强算法,其核心思想就是将带噪语音信号映射到信号子空间和噪声子空间中,并在信号子空间中估计原始信号。本文提出的算法是以线性代数和矩阵分析为基础,利用对语音信号和噪声协方差矩阵同时对角变换的条件,对混有加性白噪声和粉红噪声的语音信号进行增强处理。经过实验分析及与传统的语音增强算法相比较,语音失真较小,增强效果较好,能够在极大限度地抑制背景噪声的同时减少频谱失真和残余噪声。     

基于自适应滤波的噪声抵消法

语音降噪就是从带噪语音信号中提取尽可能纯净的原始语音。文中介绍了一种基于自适应滤波的噪声抵消法，采用归一化最小均方误差算法，采集实际噪声环境下各种不同信噪比的带噪语音样本进行降噪处理，实验结果表明，处理后信号的信噪比得到了较大程度的提高，大大改善了听音效果，具有很高的可懂度，且语音自然度好，没有失真；并与谱减法进行了比较，自适应噪声抵消法的降噪幅度比谱减法有一定提高，在听音效果上，用自适应噪声抵消法处理后的语音在清晰度、自然度方面优于谱减法。     

基于Matching Pursuits时频分解算法的传声器阵语音增强

根据在时频域中对含噪语音信号进行的时频分析研究,提出1种基于MatchingPursuits时频分解算法的语音降噪方法。利用MatchingPursuits算法对含噪语音信号进行分解,将分解后各分量的魏格纳分布之和作为整个信号的魏格纳分布,使信号在时频平面上有较直观的分布,并利用此特点对信号进行降噪。仿真结果表明:此方法能在保证可懂度的情况下,有效去除含噪语音信号中的宽带噪声。     

基于Gamma语音模型的语音增强算法

提出了一种新的基于Gamma语音模型的语音增强算法。首先,在假定语音和噪声的短时DCT系数分别服从Gamma和Gaussian分布的基础上,推导了最小均方误差意义下的语音信号短时DCT系数估计;然后,根据语音存在概率估计,提出了语音信号短时DCT系数估计的修正因子。在增强算法中,提出了基于Gamma语音模型的改进最小统计量控制递归平均(IMCRA)噪声估计算法。仿真结果表明,该算法不仅在噪声抑制性能方面优于近两年国际上提出的几种基于Gaussian语音模型的语音增强算法,而且在增强语音质量方面也具有更好的性能。     

一种基于语音和噪声统计信息改进相位估计的语音增强算法

为改善低信噪比环境下语音的质量,论文提出了一种改进相位估计的语音增强算法。算法首先根据语音和噪声频谱的统计模型的对称性得到用先验信噪比倒数形式表示的噪声频谱估计值,然后通过分析低信噪比条件下（0dB）相位估计对于幅度估计的重要性,利用噪声频谱估计值估计每一个频点的相位修正值,并给出了一种优化的先验信噪比估计算法,得到一种新的语音增强算法。由仿真实验给出的客观测试和非正式听音测试表明:该算法处理后取得了较好的效果,在抑制低信噪比语音增强所产生的音乐噪声的前提下,相比未改进相位估计的算法处理后的信号,语音失真度更小,语音质量有明显提高。      

利用频谱排序和筛选的突变噪声快速估计

针对最小值控制递归平均(Minima Controlled Recursive Averaging,MCRA)算法不能快速跟踪突变噪声的问题,提出了一种基于频谱排序和筛选的突变噪声快速估计方法。该方法在MCRA算法的基础上对带噪语音的功率谱进行排序,筛选出不含语音信号的频点来估计噪声的平均功率谱;当检测到噪声突变时,对当前的平滑参数和状态变量进行校正。仿真结果表明,该方法可以将突变噪声的跟踪时间缩短90%以上;用于语音降噪处理时,音质可以提升约0.4分。该方法具有一定的工程应用价值。     

一种基于Laplacian语音模型的语音增强算法

本文提出了一种新的基于Laplacian语音模型的语音增强算法。首先,在假定语音和噪声的短时DCT系数分别服从Laplacian和Gaussian分布的基础上,推导了最小均方误差意义下的语音信号短时DCT系数估计;然后,根据语音存在概率估计,提出了语音信号短时DCT系数估计的修正因子。在增强算法中,提出了面向判决的Laplacian语音模型参数估计和基于Laplacian语音模型的改进最小量控制递归平均(IMCRA)噪声估计算法。仿真结果表明,本文算法不仅在噪声抑制性能方面优于近两年国际上提出的几种基于Gaussian语音模型的语音增强算法,而且在增强语音质量方面也具有更好的性能。     

基于LMS自适应噪声抵消和小波阈值的语音降噪算法研究

针对宽带噪声干扰的语音降噪问题,提出一种基于LMS自适应噪声抵消和小波阈值的语音降噪算法。该算法首先采用LMS自适应噪声抵消器对消部分噪声,得到较高信噪比的语音信号后,再对其进行小波分析,用一种新的阈值函数对信号进行降噪,再重构得到降噪后的信号。Matlab仿真实验证明,该算法的效果优于单一算法,且避免了传统谱减法带来的"音乐噪声",视觉效果、输出信噪比和均方根误差也有很大改善。     

基于新型组合算法的语音降噪系统

在研究VSLMS和子空间降噪原理的基础上,分析了两种算法的优缺点,提出了一种组合降噪算法,并进行了硬件实现。组合降噪算法试图寻找一个语音信号的分解点,利用子空间算法分离出带噪信号,作为自适应算法的输入,最后由VSLMS算法对带噪信号进行增强处理。硬件实现在该组合降噪算法的基础上,利用SOPC技术在FPGA芯片中搭建嵌入式语音降噪系统。实验结果表明,该方法能够优于传统降噪算法,使用硬件结构加快了算法的收敛速度。     

基于功率谱密度中段平均的频谱感知算法

根据有、无主用户信号时接收信号功率谱最大、最小值差值不同的特点,提出了一种基于功率谱密度中段平均的频谱感知算法.针对估计的信号功率谱在最小值附近波动多、最小值难以根据单个点准确给出的问题,利用接收信号功率谱中段平均值估计功率谱的最小值,降低最小值的随机性对频谱感知算法性能的影响.理论推导了检测门限和检测概率的表达式,并对算法进行了仿真分析.仿真结果表明,在AWGN信道和Rayleigh衰落信道中,本文算法性能都优于已有的功率谱密度频谱感知算法.该算法无需主用户信息,不用进行复杂的特征值分解.