听觉掩蔽效应语音增强的改进算法

含噪信号利用掩蔽效应去噪后,噪声估计的误差导致语音失真。在利用听觉阈值计算谱减系数时提出了一种改进的计算方法,通过增加修改参数来抑制语音的过分衰减,减少了语音失真,然后基于MMSE准则对增强的语音谱再进行平滑处理,进一步抑制音乐噪声。实验表明该算法在不影响语音失真的基础上,提高了信噪比,消除了音-／乐噪声,主观测听的语音音质明显提高。     

基于改进的Kalman滤波的语音增强算法

传统的kalman滤波方法在推导过程中假定观测噪声为白噪声。通常对于有色噪声需要用白噪声激励的方法予以模拟,并且需要以牺牲运算量作为代价。本文提出了一种改进的基于kalman滤波的语音增强算法,可以处理白噪声和有色噪声情况,不需要增加计算量,仿真结果表明了该算法对有色噪声的语音增强性能要优于基于传统kalman滤波方法。     

语音增强算法综述

噪声降低了语音的信噪比和可憧度，严重时会使语音处理系统无法正常工作．对带噪语音信号进行语音增强处理，是一个亟待解决的课题．本文对目前主要几种语音增强算法做了分析研究，结果表明各种方法都有不足，在实际应用中应根据具体环境和系统要求，结合各种算法以达到语音增强的最佳效果．     

基于子空间方法的语音增强算法研究

给出了一种基于子空间方法的语音信号增强处理算法，该算法提供了在语音信号失真和残留噪声之间进行控制的机制，克服了以往语音增强算法中对语音信号的噪声特点的限制，可以对混有加性白噪声、有色噪声和音乐噪声的语音信号进行增强处理。     

一种改进的基于对数谱估计的语音增强算法

提出了一种基于对数谱估计的改进型语音增强算法。相对于传统语音增强算法,在语音信号存在不确定的条件下,利用软判决增益因子修正技术调正带噪语音信号的对数谱幅度,抑制背景噪声。引入的改进型先验信噪比估计和语音信号先验不存在概率估计方法,能够有效地估计得出语音信号的存在概率,进而求得语音信号存在时的谱增益因子函数,联合语音信号不存在时设定的增益因子函数加权求得谱增益函数。计算机仿真表明,即使在低信噪比条件下,输入背景噪声为高斯白噪声和粉红噪声等加性白噪声时,所提算法对噪声的抑制效果非常明显,且有效地克服了传统算法中引入的“音乐噪声”和语音信号畸变。     

改进的Kullback-Leibler复非负矩阵分解语音增强算法

针对单通道非负矩阵分解语音增强算法忽略相位信息的问题,提出了一种改进的Kullback-Leibler复非负矩阵分解的语音增强算法。该算法考虑到传统非负矩阵分解算法在复频域中增强语音时目标函数的影响,构建了一种适用于复频域的Kullback-Leibler散度下的目标函数,同时采用频谱一致性约束相位谱补偿算法,使其重构出的语音数据相位谱得到进一步的调制。实验结果表明,对于不同的非平稳噪声,所提出的算法在不同信噪比下均取得了较好的语音增强效果,尤其在低信噪比条件下（0 dB以下）语音增强效果较为明显,性能评估指标的增量较高,较好地克服了由传统相位谱补偿算法造成的信源失真率较低的缺点,进一步减少失真,抑制背景噪声,实现语音增强。     

改进的最小均方误差语音增强算法的研究

针对传统最小均方误差谱幅度估计（MMSE—STSA．minimum mean-square error-short time spectral amplitude）语音增强算法无法有效的跟踪非平稳噪声变化的问题,对一种改进的MMSE-STSA语音增强算法进行了研究和仿真。该算法对背景噪声的估计利用加权噪声估计方法：采用一个非线性函数根据带噪语音信噪比（SNR．signal—to-noise ratio）的变化计算得到相应的加权因子并作用于带噪语音信号,对加权的带噪语音求平均得到估计的背景噪声。算法中的谱增益修正,还可以抑制低信噪比时的残留噪声以及避免对带噪语音的过抵消。实验结果表明,该方法能很好的跟踪非平稳噪声的变化,不仅在增强性能上有很好的效果,同时降低了语音的失真。     

基于时延估计改进的主动隔声耳罩语音增强算法

为实现高噪声场所中的听力保护和不同角度入射声源的语音增强,文章采用基于谱减法改进的广义互相关（Generalized Cross Correlation, GCC）时延估计方法对麦克风阵列接收信号进行同步处理,将同步后的阵列信号与基于广义旁瓣抵消器（Generalized Sidelobe Canceller, GSC）的主动隔声耳罩语音增强算法结合,实现噪声抑制和语音增强。首先以GCC算法为基础,引入多窗谱估计的谱减法作为时延估计信号的预处理环节,提高传声器接收信号的信噪比对算法进行改进。随后对加入谱减法的GCC时延估计算法,比较分析了取不同加权函数的仿真结果。最后由时延估计结果对麦克风阵列信号进行时延补偿,对改进后的主动隔声耳罩语音增强算法的噪声抑制和语音增强效果进行了分析。与改进前算法相比,在不同噪声环境下输出的语音信号质量有明显提升。     

基于后验信噪比频域迭代算法的语音增强方法

为了抑制谱减法语音增强时引入的“音乐噪声”，采用基于后验信噪比频域迭代算法的语音增强方法。首先，当后验信噪比大于20dB时，对含噪语音采用谱过减法；当后验信噪比小于20dB时，对含噪语音谱线进行衰减处理。为了进一步抑制音乐噪声，对增强语音信号进行多次频域迭代降噪处理。对实验室环境录制的不同输入信噪比条件下的含噪语音信号进行处理，与传统谱减法相比，增强语音信号的信噪比有较大的提高，并且音乐噪声得到很大程度的抑制。     

基于联合失真控制的子空间语音增强算法

为提高低信噪比环境下的语音可懂度,提出了一种基于联合失真控制的子空间语音增强算法。由于误差信号中的语音失真和残余噪声分量不能被同时最小化,同时,由语音估计器引起的语音放大失真超过6.02 d B时会严重损害语音可懂度。为此分别对语音失真和残余噪声进行最小化处理,最小化时把语音放大失真控制在6.02 d B以下作为约束条件,通过求解两个约束最优化问题得到两个不同的估计器,再对这两个估计器进行加权求和,得到一种基于联合失真控制的语音估计器。实验结果表明,相比于传统的子空间增强方法,在低信噪比环境下所提出的算法能更有效提高增强后语音的可懂度。     

强噪声环境下语音增强算法的比较研究

介绍语音增强的原理和从强噪声背景中提取语音信号的方法,并对基于减谱法的增强算法、基于自适应滤波法的增强算法和基于小波变换的增强算法进行对比研究。鉴于语音增强算法的两个目标即增强语音的清晰度与理解度并不是相关联的,有时甚至相互矛盾,因此任何一个语音增强算法都是根据不同的应用做适当的选择和折衷。基于此,对三种算法进行仿真实验的比较研究,实验结果证明应用小波变换的语音增强算法比其它的方法更有效。     

基于Hilbert-Huang变换和听觉掩蔽的语音增强算法

Hilbert-Huang变换是一种新型的具有自适应性的时频分析方法,分析了HHT算法的原理,提出了一种基于HHT和听觉掩蔽的语音增强算法,首先将语音信号进行EMD分解得到各阶IMF分量,然后对高频IMF分量进行听觉掩蔽处理,最后将处理后的分量与剩余分量叠加得到重构信号。仿真结果表明所提出的算法降低了语音失真测度值,提高了语音信号的信噪比、清晰度及可懂度,并与听觉掩蔽算法和谱减法进行了比较,显示了该算法的优越性。     

汽车内驾驶员语音增强评价研究

驾驶员语音增强质量的评价指标是保证语音增强算法性能的关键,而现有的语音增强质量评价方法不能准确地反映人对声音感知的主观性.针对上述问题,分析了言语可懂度指数对语音增强算法评价的适用性,并在某品牌汽车上进行实验.通过在汽车内建立均匀线性传声器阵列来对驾驶员语音进行信号采集,然后利用波束形成算法对阵列中不同传声器组合的语音...     

一种用于语音增强的频域盲信号分离算法

研究了在未知声源信息和传声器空间位置的情况下,利用盲信号分离的方法实现语音增强。通过把基于信息论的信息最大化算法推广到频域,使得时域的卷积混合问题转变为频域的瞬时混合问题,进而就可以在每个频段分别进行独立分量分析,分离效果有明显改进,算法收敛性也得到提高。为了克服在频域中实现盲分离时所固有的位序不确定性和比例缩放问题对分离性能的严重影响,采用聚类的方法对每个频率段的分离结果进行排序。对真实环境中录制的语音、音乐混合信号和语音、语音混合信号进行了计算机仿真,分离之后使语音的信噪比提高了10-15dB,很好地实现了语音增强的目的。     

基于实时性和数据使用率改进的CGGTTS算法研究

对GNSS时间频率传递数据标准格式CGGTTS进行改进,包括:将数据周期内全部测量数据用于计算时差值,提高测量数据使用率;为满足时间传递用户对于数据实时性的更高要求,缩短CGGTTS数据周期以提高数据实时性.实验结果表明将数据使用率提高到100％后,可以降低比对结果噪声,噪声性能最大可改善6％.当将数据间隔缩短至5 m...     

MVDR与自适应零限波束形成语音增强算法性能对比

1引言在通信系统中,语音不可避免的受到各种环境噪声的影响,为了提高通信语音的质量,研究和应用各种语音增强算法去除噪声就成为研究热点[1,2]。     

利用波束形成和神经网络进行语音增强

语音增强在语音信号处理的前端非常重要,直接影响后端语音识别等效果。目前用神经网络进行单通道语音分离对于解决鸡尾酒会问题取得了很大的进步,但是用于复杂混合语音时分离效果仍不令人满意。针对单通道情形下的不足,使用多通道结构形成4个方向的超指向波束,结合神经网络算法实现对于指定方向的目标语音增强。仿真和实验结果表明,该算法相较于超指向波束形成算法和谱减法在多种评价指标上均有了明显的提升。     

基于深度压缩感知的语音增强模型

随着压缩感知的深入研究,压缩感知在语音增强方面的应用也备受关注。针对传统压缩感知语音增强算法中存在的不足,将压缩感知与深度学习结合构建名为基于深度压缩感知的语音增强模型(Speech Enhancement based on Deep Compressed Sensing, SEDCS)。基于压缩感知原理使用编解码模型代替压缩感知中语音信号稀疏过程,使用卷积神经网络代替测量矩阵实现语音信号观测降维过程,通过联合训练的方式实现语音增强。实验结果表明：该模型能够完成语音增强任务,并且与现有的压缩感知语音增强算法相比,该模型能取得较好的语音增强效果;相比利用深度学习的语音增强算法,该模型虽性能一般,但在模型泛化性能和测试阶段的增强时间效率上有一定提升。     

基于Mel刻度短时能量差的语音活性检测算法

语音活性检测是语音增强中的一个重要问题。大部分的语音活性检测方法都是建立在相对理想的实验室条件下的．要求背景噪声保持平稳，信噪比较高，这些条件在实际噪声环境中很难满足。本文提出的基于Mel刻度短时能量差的语音活性检测算法，距离测度简单，物理意义叫确，在低信噪比、缓变非平稳噪声环境下，标定准确，鲁棒性好。将其应用在维纳滤波语音增强中的噪声特性估计上，取得了较为理想的效果。     

基于小波变换多阈值语音增强处理研究

语音通信过程不可避免地会受到各种噪声的干扰，噪声降低了语音的信噪比和可懂度。语音增强就是对带噪语音进行处理，以改善语音质量。小波变换具有多尺度的特性，可以由粗及细的逐步观察信号。本文研究了一种基于小波多尺度特性的多阈值处理的语音增强算法，根据不同的尺度因子和位移因子选择不同的阈值，利用软阈值函数对带噪语音进行消噪，并比较分析了各种小波基处理带噪语音的不同效果。实验结果表明，该算法可以明显提高语音的信噪比，并提高了语音的清晰度和可懂度。