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。     

含有有色噪声的自适应Kalman滤波

通过时一类时不变线性有色噪声系统的卡尔曼滤波理论的分析．提出了一种在滤波过程中不断估计并修正未知参数的算法，最后给出了有关这种估值的渐近无偏性证明以及实时应用的例子．     

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。     

MMSE语音增强算法的实时性改进

通过MMSE语音增强算法的分析，指出其存在实时性方面的缺点，并提出改进方法。实验结果表明改进后算法的实时性得到了显著改善，同时还可得到较好质量的增强语音。     

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．     

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。     

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。     

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。     

语音模糊消噪算法

针对加性有色噪声,提出了语音信号模糊消噪算法;建立并训练了一个语音模糊消噪系统——自适应神经模糊推理系统（ANFIS）;用其对含噪语音中的有色噪声进行模糊估计,从而提取出干净的语音。对算法进行了仿真实验,结果表明,对模拟有色噪声在-17dB时能提取出清晰的语音。     

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。     

基于Kalman滤波的多分辨率图像融合新算法

以尺度类似于时间,对具有不同分辨率的多幅图像建立起状态方程和观测方程;以标准Kalman滤波为工具,将具有不同性能与特点的图像进行融合,并给出了分块快速算法.利用估计误差绝对值均值对融合的性能进行了评估.多组实验与分析表明:所提出的图像融合算法不仅能有效的去除噪声和提高图像分辨率,而且通过图像融合,能够大大改善存在部分遮挡和恶劣天气等影响下获取的存在灰度、对比度变化的图像的性能.     

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。     

基于频域ICA的语音特征增强*

为了降低卷积噪声对语音特征所产生的影响,提高语音识别正确率,文章提出了一种基于频域ICA（Independent Component Analysis,独立分量分析）的语音特征增强算法。该算法首先使用频域ICA方法作对噪声进行估计,然后在倒谱域内将带噪语音信号的短时谱减去所估计噪声的短时谱,最后根据去噪后语音信号的短时谱计算美尔倒谱系数（MFCC）作为特征参数。在仿真和真实环境下的语音识别实验中,本文所提出的语音特征参数相比较传统的MFCC其识别正确率分别提升了38.2%和35.8%。实验结果表明本文所提算法能够较好地解决卷积噪声环境下训练与识别特征不匹配的问题,有效提高了语音识别系统的识别正确率。     

基于卡尔曼滤波的摄像机标定方法

本文提出了一种基于迭代扩展卡尔曼滤波的摄像机标定方法.将二维平面靶标图像上的特征点看作是匀速运动的点,以观测到的特征点图像坐标和对应世界坐标作为滤波器的输入,摄像机内外参数的估计值作为滤波器的输出,根据迭代扩展卡尔曼滤波算法得到摄像机内外参数的最优估计.通过仿真和真实实验,结果表明,对于有限数量的平面靶标标定图像数据,该算法具有较高的标定精度和较好的鲁棒性.     

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。     

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。     

一种基于变步长LMS算法的语音增强方法

LMS算法在自适应滤波器中得到广泛应用，但这种方法具有收敛速度慢，对非平稳环境敏感性强，步长需要谨慎选择才能达到收敛和失调的折中等缺点。为了改善非平稳条件下FIR自适应滤波器的性能，文章介绍了一种变步长的LMS算法，这种算法迭代过程中步长在规定的上下限内是关于信噪比的递减函数，用于自适应噪声对消器中去除含噪语音信号中的加性噪声，以解决固定LMS算法中跟踪速度和失调的矛盾。对不同信噪比的含噪语音信号去噪，仿真结果证明该方法优于NLMS(Normalized Least Mean Square)算法，在提高收敛速度的情况下减小了剩余均方误差和失调，但需增加少量的运算量。