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。     

基于LabVIEW的IIR数字滤波器软件设计

基于LabVIEW具有高效、灵活、强大的信号处理功能的优越性，本文提出了利用LabVIEW软件设计常规IIR数字滤波器的思想，可以随时对比设计调整参数，有利于滤波器设计的最优化，文中给出了该设计的其体实现，该设计在语音信号处理中具有较好的实用价值。     

基于RLS的自适应阵列抗交叉串扰语音增强研究

在噪声环境下的麦克风阵列语音增强应用中,由于语音与噪声之间存在交叉串扰,传统自适应算法降噪性能受到很大的影响。为了提高自适应滤波器收敛性能,同时抑制麦克风之间语音信号的交叉串扰,采用两级抗交叉串扰麦克风阵列结构,自适应滤波器均采用RLS格型一阶梯算法。其中,第～级滤波系统仅在确认为无语音阶段进行参数调整,以充分消除噪声的影响。实验结果表明,该方法消噪量大,对语音损伤小,语音增强效果显著。     

强噪声背景下的语音信号提取研究

针对强噪声背景中语音信号提取的难度,提出一种基于Simulink和FDATool的改进型信号提取模型,该模型在传统自适应噪声消除器SIMULINK模型的基础上通过增加双带通数字滤波器实现.理论分析和仿真结果表明,该方法在强背景噪声中提取语音信号是可行的,且比没有改进时信号提取效果明显增强.     

双微阵列语音增强算法在说话人识别中的应用

针对复杂噪声环境下识别性能显著降低的问题,提出一种用于说话人识别系统前端的双微阵列语音增强算法。该算法采用的是相干滤波和频域宽带最小方差无畸变响应波束形成器后置结合改进的维纳滤波器。其基本原理是首先求出双微麦克风阵列信号中两个相邻通道间的相干函数,再利用通道间信号的相干性来进行初始噪声抑制。其次,通过一个频域宽带最小方差无畸变响应(Minimum Variance Distortionless Response,MVDR)波束形成器保留目标声源方向的信号并抑制其他方向的信号干扰,再通过改进的维纳滤波器去除噪声残留提升语音质量。最后,使用梅尔频率倒谱系数(Mel Frequency Cepstral Coefficients,MFCC)和伽马通滤波器组频率倒谱系数(Gammatone Filter-bank Frequency Cepstral Coefficients,GFCC)对增强后的语音信号做特征参数提取并进行说话人识别。仿真过程采用声学人工头模拟双耳采集数据,实验结果表明,该语音增强算法在复杂噪声环境下能够获得较好的增强效果,能有效提升说话人识别系统的识别率。     

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。     

复制粘贴音频信号的篡改检测技术研究

根据数字录音设备在录音过程中不仅记录语音内容本身,还携带微弱的电网信号的特点,提出一种基于电网频率的特征提取和复制粘贴篡改检测方法。方法利用Duffing带通滤波器获取携带电网信号的语音信号,然后提取该语音信号的Mel频标倒谱系数(MFCC),最后将特征参数运用于基于量子模距离的判决模型,对音频信号进行复制粘贴篡改检测。通过实验分析,该方法在数字语音删除、复制粘贴篡改检测方面,具有较高的正确率;音频信号越长,检测的正确率越高;MFCC参数提取过程中,帧长和帧移越小,检测的正确率越高。该方法可为音频信号篡改检测提供一个新的研究方向。     

一种新的回音消除的双向通话检测算法

在回音消除的算法中,近端语音信号的出现会引起预测回声路径的自适应滤波器发散,一个很成熟的回声消除算法一定包含双向通话检测算法。提出了一种基于滤波器抽头活跃位置的双向通话检测算法,该算法利用滤波器最活跃的抽头位置相邻的n个抽头2．范数作为一个检测参数,并且区分滤波器间差异性的参数的阈值是动态的,该算法对双向通话的出现与消失能做出快速的响应,实现简单,检测准确。文章的双向通话检测新算法是基于双辅助滤波器的回音消除器的结构,通过录制了真实的环境语音仿真验证了该算法的鲁棒性。     

FIR数字带通滤波器语音去噪的DSP实现研究

利用MATLAB软件设计一个FIR数字带通滤波器,对一段噪声环境下的语音信号进行滤波,并通过TMS320C5402DSP芯片来实现。方法简单易行,给出部分源程序,具有很强的实用性。     

基于维纳滤波和子带处理的说话人识别

把小波变换和维纳滤波结合起来对语音信号进行去噪和利用NN分类器对语音信号进行非线性融合和子带语音识别,并采用了一种改进的MCE（最小分类错误）算法。通过三尺度的Daubechies小波变换把输入含噪语音信号分解成不同子带,然后在各个子带分别通过维纳滤波去噪,再把各个子带的输出通过小波重构恢复信号,最后通过Mel滤波器组把小波系数转换成MFCC（美尔倒谱系数）。在使用分类器之前先进行GMM（高斯混合模型）识别,并采用改进的MCE（最小分类错误）算法,分类器融合采用了MLP结构。试验结果显示,这种系统取得了较好的抗噪效果,系统的辨识率和鲁棒性都有所提高。     

基于参考模型的自适应话音处理

本文讨论了一种带有参考通道的自适应话音消噪滤波器原理，该滤波器采用最小均方差(心幅)算法。将此滤波器应用于复杂噪音背景的话音信号提取，能很好地抑制背景噪声，从而获得清晰的话音信号。     

语音消噪应用研究

从时域与频域对比研究了低信噪比语音消噪问题,时域采用LMS自适应消噪,频域分析选用小波技术,对两种消噪方法进行了系统全面的分析,对比讨论了各自的优势及不足,对实际信号进行了仿真消噪并与原始语音取样信号相比较,研究表明选用消噪方法对低信噪比语音消噪是明显有效的,LMS自适应消噪及小波消噪具有很强的实际应用价值。     

脉冲噪声下基于Myriad滤波及分形盒维数的频谱感知

为了实现脉冲噪声背景下频谱感知,本文提出基于Myriad滤波及分形盒维数的频谱感知方法。Alpha稳定分布噪声影响信号的分形盒维数值。由于Myriad滤波可以抑制Alpha稳定噪声,所以先对接收信号Myriad滤波,再计算其分形盒维数值作为检验统计量。仿真结果表明,该方法在Alpha稳定分布噪声下具有良好的频谱感知性能     

分形噪声中谐波信号的提取

本文提出一种分形噪声中谐波信号的提取算法。它利用小波变换对1／f噪声的白化作用,结合自适应自调谐滤波器组,在小波域实现了分形噪声与谐波信号的分离。仿真结果表明,该算法能够有效地抑制分形噪声,显著地提高信噪比。     

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。     

基于最大相关熵准则的水下生物脉冲噪声消除方法

近海生物噪声表现为脉冲噪声,这一类噪声显著降低了水声通信系统的性能。结合水声信道的稀疏特性,提出一种基于最大相关熵准则的级联滤波器算法,该算法实现了脉冲噪声的消除及稀疏信道估计。第一级自适应滤波器完成对噪声的消除工作,第二级滤波器对去噪后的信号进行稀疏信道估计。该方法的优势在于无需知道信号和噪声的相关信息。仿真结果表明,提出的方法比单一的滤波器结构和传统信道估计算法性能更加优越。     

基于临界带功率谱方差的端点检测

端点检测作为语音信号处理的关键技术,其准确性直接影响到语音识别系统的计算复杂度和识别能力。在人耳听觉特性理论研究的基础上,利用语音段和背景噪声段临界带功率谱上的差异,提出了一种基于临界带功率谱方差的端点检测方法。通过自适应门限值的选取,该方法对背景噪声具有良好的跟踪性能。在不同的信噪比条件下,进行了端点检测实验。结果表明：该方法与传统的短时能量和短时平均过零率方法、谱熵方法相比,可以有效降低背景噪声的影响,具有更好的鲁棒性和正确率。     

自适应神经网络模糊小波语音消噪算法

针对有色噪声,采用自适应神经网络模糊系统模糊(Auto Neural Fuzzy Inference System,ANFIS)逼近有色噪声,利用自适应神经模糊推理系统ANFIS对噪声的非线性动态特性进行建模,提出了语音自适应神经网络模糊小波消噪算法,建立并训练了消噪系统。对被有色噪声污染的测量信号经模糊消噪后,根据信号和噪声的小波系数在不同分解尺度上的传递性,进行中值滤波和小波重构,得到了干净的语音。对算法进行了仿真实验,结果表明,消噪效果明显。     

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。     

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。