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]。     

滤波器权值约束对自适应零限波束形成语音增强算法鲁棒性影响分析

1引言自适应零限波束形成(ANF:Adaptive NullFor-ming)算法是基于差分传声器阵列技术的自适应语音增强算法,最早由G.W.Elko等人于1995年提出[1]。ANF算法运算量小,干扰抑制性能显著,阵列结构简单小巧,因而在应用领域中备受关注。     

声呐盲波束形成的神经网络实现方法

本文首先对两种盲波束形成的方法进行了分析。针对这类方法计算量大,不利于实时实现的缺点,并结合水声环境和水声信号的特性,提出了两种盲波束形成的神经网络实现方法。一种方法采用在线学习的T-H神经网络,盲估计波束形成的权矢量;另一种方法采用离线学习的径向基函数(RBF)网络实现盲波束形成。由于神经网络的并行性和非线性的特点,使得盲波束形成的运算速度得到了明显的提高,易于工程上实时应用。     

利用DSP器件构成的专用波束形成处理单元

介绍了利用DSP器件构成专用波束形成处理单元的基本算法,电路结构和核心部件。     

加窗FIM波束形成性能研究

仿真研究了逆波束形成算法中最核心的傅氏积分方法(FIM)及其两种加权形式,并与常规波束形成(CBF)的仿真结果进行了比较.     

多波束融合BP神经网络拖船噪声抵消

拖曳线列阵声纳中,拖船噪声常常是影响声纳性能的重要因素之一。由于存在严重的多途效应,仅仅改变自适应结构难以提高拖船噪声抵消性能。因此在实际应用中,固定参考输入自适应干扰抵消技术的抵消效果一般均不理想,本文针对拖船噪声的特性,提出了一种多干扰波束融合的抵消算法,该算法具有抗多途效应效果好,可以较有效地消除拖船干扰,提高声纳的检测性能,试验数据处理结果表明它优于现有的自适应方法,且具有运算量少的优点,可望在实际声纳中得到应用。     

特征波束形成及其模拟实验研究

本文论述一种新的波束形成方法——特征波束形成。对于完全空间相关的平面波信号,基阵协方差矩阵的特征值集中。但在许多实际情况下,波前只有部分相关,从而造成协方差矩阵的特征值分散。本文对完全相关和部分相关的波前信号都进行了处理,研究了DOA(信号到达方向)估计和产生瞬时波束输出波形的问题,并给出了计算机模拟实验结果。     

超波束(HBF)用于波束锐化

介绍了一种波束锐化技术,即超波束形成技术（Hyper Beamforming,HBF）,可以在减小波束宽度的同时抑制旁瓣,提高目标检测性能及方位估计能力。该方法结合常规空间加权可以进一步降低旁瓣,从而可以利用较小规模的基阵尺寸,实现大基阵的检测性能。文中给出了恒定束宽HBF实现所需系数,并将该方法应用于CW及FM信号处理,给出了预期的仿真结果。     

浅海多波束动态聚焦近场波束形成实现方法

讨论了一种动态聚焦波束形成实现方法,将聚焦波束形成的焦点时间结构与基阵空间结构相关联,得到时变焦点的高精度聚焦波束形成输出。通过实验数据的分析和处理,验证了方法的有效性。     

一种新的稳健CAB盲波束形成算法

通过限制估计的方向向量与真实的方向向量之间的误差范数的边界,提出了一种新的稳健CAB（周期自适应波束形成）盲自适应波束形成算法。该算法克服了方向向量失配引起的自适应波束形成器的性能劣化问题。计算机仿真试验表明,较采用传统对角加载技术的R-CAB盲波束形成算法和WCPO-CAB算法而言,该算法进一步提高了稳健性和输出信干噪比。     

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。     

全卷积循环神经网络的语音情感识别

语音情感识别是人机交互的热门研究领域之一。然而,由于缺乏对语音中时频相关信息的研究,导致情感信息挖掘深度不够。为了更好地挖掘语音中的时频相关信息,提出了一种全卷积循环神经网络模型,采用并行多输入的方式组合不同模型,同时从两个模块中提取不同功能的特征。利用全卷积神经网络（Fully Convolutional Network,FCN）学习语音谱图特征中的时频相关信息,同时,利用长短期记忆（Long Short-Term Memory,LSTM）神经网络来学习语音的帧级特征,以补充模型在FCN学习过程中缺失的时间相关信息,最后,将特征融合后使用分类器进行分类,在两个公开的情感数据集上的测试验证了所提算法的优越性。     

基于脉冲耦合神经网络的红外图像增强

在分析了脉冲耦合神经网络的工作机理和行为特性后,指出可以利用神经元的点火-熄灭特性对图像进行增强.为了区分神经元的点火方式,提出一种根据链接矩阵判定神经元点火方式的方法,并利用自然点火和捕获点火建立了能使图像得到增强的非线性映射.文中对算法参数的设置及其对增强图像的影响做了详细地讨论,实验结果表明该算法不仅能使图像的对比度和亮度得到适当的增强,而且能够有效地抑制图像中的椒盐噪声,尤其适用于对比度和亮度都较低的红外图像.     

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。     

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。     

飞机舱音背景声下语音增强技术

有效提取飞机舱音背景声下的语音信息对飞行事故调查十分重要。提出一种适用于飞机座舱噪声环境下的语音增强方法。以卡方分布作为纯语音谱幅值的先验模型,采用最小均方误差短时谱估计法对带噪语音中的纯语音谱进行估计,误差估计方程中采用权值函数对估计值进行非线性加权。在仿真试验中利用语音质量的客观评价标准选取适合于舱音背景声下的纯语音谱估计参数,使增强语音中噪声抑制和语音失真之间达到平衡。最后将提出的语音增强方法与目前典型方法进行了对比实验,验证算法的有效性。     

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。     

注意力机制对生成对抗网络语音增强迁移学习模型的影响

基于深度学习的语音增强模型对训练集外语言语音和噪声进行降噪时,性能明显下降.为了解决这一问题,提出一种引入注意力机制的生成对抗网络(Generative Adversarial Network,GAN)语音增强迁移学习模型.在生成对抗语音增强模型的判别模型中引入注意力机制,以高资源场景下的大量语音数据训练得到的语音增强...     

On reaction network implementations of neural networks

This paper is concerned with the utilization of deterministically modelled chemical reaction networks for the implementation of (feed-forward) neural networks. We develop a general mathematical framework and prove that the ordinary differential equations (ODEs) associated with certain reaction network implementations of neural networks have desirable properties including (i) existence of unique positive fixed points that are smooth in the parameters of the model (necessary for gradient descent) and (ii) fast convergence to the fixed point regardless of initial condition (necessary for efficient implementation). We do so by first making a connection between neural networks and fixed points for systems of ODEs, and then by constructing reaction networks with the correct associated set of ODEs. We demonstrate the theory by constructing a reaction network that implements a neural network with a smoothed ReLU activation function, though we also demonstrate how to generalize the construction to allow for other activation functions (each with the desirable properties listed previously). As there are multiple types of ‘networks’ used in this paper, we also give a careful introduction to both reaction networks and neural networks, in order to disambiguate the overlapping vocabulary in the two settings and to clearly highlight the role of each network’s properties.