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。     

噪声谱估计算法对语音可懂度的影响

噪声谱估计是单通道语音增强算法的关键步骤,当前大部分语音增强算法旨在提高语音质量,提高语音可懂度的算法却很少。在传统的单通道语音增强算法中,语音质量的提高往往是以牺牲语音的可懂度为代价的。对目前主流的几种噪声谱估计算法对语音可懂度影响进行分析。在不同噪声背景、不同信噪比情况下进行噪声谱估计,并采用谱减法对含噪语音信号作去噪处理,对比分析不同噪声、不同信噪比下增强前后语音的短时客观可懂度(Short-Time Objective Intelligibility,STOI)值,最后根据信噪比,对比分析了不同噪声环境下,语音增强前后语音能量高于噪声能量的时频块所占比例。实验表明,相比其他噪声估计算法,最小统计(Minima Statistics,MS)算法由于保留了更多的以语音能量为主的时频块,使得去噪后的语音有较高的可懂度。     

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。     

一种基于统计模型的改进谱减降噪算法

提出了基于语音和噪声的傅里叶系数服从统计模型分布的假设,将基于统计模型的信噪比更新和噪声更新的方法应用于谱减法,试图解决传统谱减法中存在的音乐噪声和语音失真的问题。将提出算法与多通道谱减法和基于对数的最小均方幅度谱估计方法进行客观评价分析。利用频率加权分段信噪比评价方法、语音质量感知评价及综合质量测量等3种指标进行去噪效果评价。结果表明,所提出的基于统计模型的降噪算法效果优于MBSS,且接近Log-MMSE。     

一种噪声环境下的语音端点检测方法

利用短时过零率来检测清音,用短时能量来检测浊音,两者相配合便实现了信号信噪比较大情况下的端点检测。但是在信噪比较小的环境下,这两种方法便失去了作用。为了能在噪声环境下准确地检测出语音信号的端点,根据对含噪语音在时频域中的研究,提出了一种基于Matching pursuits时频分解算法的语音端点检测方法。该方法使用Matching pursuits算法对含噪信号进行分解,然后再对信号进行魏格纳变换,可以完全去除信号的魏格纳交叉干扰项,使得语音信号和噪声信号在时频平面上具有较直观明显的魏格纳能量分布,利用这个特点再进行端点检测,实验结果表明,该方法能在信噪比较低的情况下,准确地检测出语音信号的端点。     

水下单边带语音多通道增强技术

船舶噪声是影响水下语音通信质量的主要因素。为了提高单边带语音信号的信噪比和语音质量,采用多通道自适应增强算法对语音信号进行研究。该算法运用自适应信号增强技术,具有运算量小、易实时实现、消噪效果显著等优点,并且能够有效利用不同换能器接收到的信息。从理论上对该算法进行了分析,并结合海试数据进行验证。结果表明,低信噪比、非平稳噪声环境下,该算法有效抑制了接收信号中的尖锐噪声,并且当系统收敛时,使其趋于白化,明显提高了系统的输出信噪比,显著改善了语音质量,在性能上明显优于传统的信号相干叠加算法。     

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。     

低信噪比环境下语音端点检测改进方法

针对语音端点检测在低信噪比环境下普遍存在检测性能急剧下降的问题,提出一种将调制域(时间-频率域)谱减法和自相关函数相结合的语音端点检测算法。该算法首先利用调制域谱减法较好的消噪能力来提高含噪语音的信噪比;然后根据语音和噪声的自相关函数的主峰最大值和次大值之比差异较大的特性,结合基于对数能量和自相关函数的端点检测方法对消噪后的语音进行端点检测。实验结果表明,该算法在低信噪比的环境下能取得较好的端点检测效果,并具有较好的稳健性。     

低信噪比环境下的语音识别方法研究

单通道语音信号在信噪比较大的环境下经过增强后再识别,能表现出较高的识别率。但是在低信噪比环境下,增强后语音信号的识别率急剧下降。针对此种情况,提出了一种用在识别系统前端的语音增强算法,该增强算法将采集到的带噪语音信号先使用对数最小均方误差(Logarithmic Minimum Mean Square Error,Log MMSE)提高其信噪比,然后再利用改进的维纳滤波去除噪声残留并提升语音可懂度,最后用梅尔频率倒谱系数(Mel-Frequency Cepstral Coefficients,MFCC)和隐马尔科夫模型(Hidden Markov Model,HMM)对增强后的语音信号做特征提取并识别。实验分析结果表明,该方法能有效地抑制背景噪声并减少噪声残留,显著提升低信噪比环境下语音识别的准确性。     

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。     

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。     

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。     

低信噪比环境下语音识别的鲁棒性方法研究

针对噪声环境下语音识别率急剧下降的问题，提出了一种基于语音时频域稀疏性原理的改进最小方差无畸变响应波束形成与改进维纳滤波结合的算法。该算法首先利用麦克风阵列语音信号的空间信息，通过基于时频掩蔽的改进最小方差无畸变响应波束形成器，增强目标声源方向的语音信号，抑制其他方向噪声的干扰，然后再使用改进的维纳滤波器去除残留噪声并提高语音可懂度，对增强后的语音信号提取梅尔频率倒谱系数作为特征参数，使用隐马尔可夫模型搭建语音识别系统。实验结果表明，该方法能够有效提高低信噪比环境下的语音识别率，具有较好的鲁棒性。     

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。     

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．     

基于经验模态分解的管道超声回波信号噪声消除

在管道超声无损检测中,超声回波信号往往受到电子噪声、结构噪声等噪声的影响,所以在分析缺陷回波信号时,必须对回波信号进行去噪处理.本文提出了一种新型的基于经验模态分解的方法对超声回波信号进行了良好的消噪处理.通过计算,超声回波信号的信噪比大约提高了11 dB.     

基于广义特征子空间快速估计的语音增强算法

给出了一种基于迭代最小二乘并行计算进行广义特征矢量矩阵分解的语音增强算法．这种算法不需要假定噪声类型（白噪声或有色噪声），也无需话音的活动监测，以递推更新的方式实现含噪语音信号和噪声信号的同时对角化，弥补了其它子空间算法在收敛速度和收敛精度上的不足，仿真结果证明了本算法的有效性。