基于改进语音存在概率的自适应噪声跟踪算法

在非平稳环境下,由于时间递归平均噪声功率谱估计算法会出现跟踪延迟和估计误差等问题,本文采用一种新的方式对其核心部分语音存在概率（speech presence probability, spp）进行估计。利用时域特征能量与频域特征谱熵的比值能熵比作为新的特征来构建其与spp的正比关系,从而得到当前语音帧的spp估计值;然后用双平滑系数对该值进行平滑;最后结合时间递归平均算法得到估计的噪声功率谱。该算法充分利用语音帧频点的特征信息控制spp的估计值,以此自适应地跟踪噪声变化。实验结果表明:在地空通信环境下,该方法能够准确且连续地跟踪噪声功率谱、快速响应其变化。集成到语音增强系统后,可以提高语音质量,降低残留噪声。      

基于Gamma语音模型的语音增强算法

提出了一种新的基于Gamma语音模型的语音增强算法。首先,在假定语音和噪声的短时DCT系数分别服从Gamma和Gaussian分布的基础上,推导了最小均方误差意义下的语音信号短时DCT系数估计;然后,根据语音存在概率估计,提出了语音信号短时DCT系数估计的修正因子。在增强算法中,提出了基于Gamma语音模型的改进最小统计量控制递归平均(IMCRA)噪声估计算法。仿真结果表明,该算法不仅在噪声抑制性能方面优于近两年国际上提出的几种基于Gaussian语音模型的语音增强算法,而且在增强语音质量方面也具有更好的性能。     

基于最小统计和人耳掩蔽特性的语音增强算法

提出了一种基于最小统计和人耳掩蔽特性的语音增强算法,通过最优平滑和最小约束递归平均从含噪语音中估计噪声的均值,推导出一种新的基于掩蔽特性的谱减系数计算公式。实验结果表明,该算法优于传统的掩蔽特性算法,含噪语音经过增强后,残留的音乐噪声更小。     

基于AR-HMM在线能量调整的语音增强方法

针对单通道语音增强技术对非平稳噪声的跟踪不准确、噪声抑制效果较差的问题,本文提出一种基于在线能量调整的语音增强方法.该方法以归一化临界带能量为特征,采用高斯混合模型对背景噪声进行分类,利用对应类型噪声的自回归隐马尔可夫模型(Auto-Regressive Hidden Markov Model,AR-HMM)和纯净语音的AR-HMM,在最小均方误差准则下估计语音和噪声的功率谱.考虑到非平稳环境中训练集和测试集的差异性,需在线调整语音模型和噪声模型中的能量,语音模型的能量调整采用迭代的期望最大化算法;噪声模型的能量调整则利用的是模型训练过程中的能量重估方法,并以最小值控制的递归平均算法确定噪声能量调整的初始值.在ITU-T G.160标准下对算法进行性能测试,测试结果表明,本文方法对非平稳噪声的跟踪效果较好,对噪声衰减量较大,收敛时间较短.     

一种基于Laplacian语音模型的语音增强算法

本文提出了一种新的基于Laplacian语音模型的语音增强算法。首先,在假定语音和噪声的短时DCT系数分别服从Laplacian和Gaussian分布的基础上,推导了最小均方误差意义下的语音信号短时DCT系数估计;然后,根据语音存在概率估计,提出了语音信号短时DCT系数估计的修正因子。在增强算法中,提出了面向判决的Laplacian语音模型参数估计和基于Laplacian语音模型的改进最小量控制递归平均(IMCRA)噪声估计算法。仿真结果表明,本文算法不仅在噪声抑制性能方面优于近两年国际上提出的几种基于Gaussian语音模型的语音增强算法,而且在增强语音质量方面也具有更好的性能。     

基于加权噪声的递归平滑噪声功率谱估计

提出了一种噪声功率谱估计算法,该算法对加权后的带噪语音进行递归平滑,可以持续更新噪声并可应用于非平稳噪声环境中。为了避免在强语音后的弱语音区域出现噪声过估计,本文提出了用于计算加权函数的投影平滑算法。本文噪声估计算法可以快速跟踪噪声的变化并且没有过估计。实验结果表明,本文噪声估计算法应用于一个语音增强系统时,取得了较小的噪声分段估计误差及较好的感知语音质量评价(PESQ)得分。     

改进的基于语音存在概率的噪声功率谱估计算法

噪声功率谱估计是语音增强算法中的关键技术之一.针对在非平稳噪声环境下噪声功率谱估计不够准确的问题,采用了基于后验语音存在概率的噪声功率谱估计算法,并对其中的语音存在概率估计算法进行了改进.利用语音信号的短时平稳性,在时域和频域上利用相邻帧和相邻频点的相关性估计当前帧的语音存在概率.仿真结果表明,该算法与原始算法及改进的最小值控制递归平均噪声估计(IMCRA)算法相比,能够有效提升非稳态噪声环境下噪声功率谱估计准确度和语音增强效果.     

利用频谱排序和筛选的突变噪声快速估计

针对最小值控制递归平均(Minima Controlled Recursive Averaging,MCRA)算法不能快速跟踪突变噪声的问题,提出了一种基于频谱排序和筛选的突变噪声快速估计方法。该方法在MCRA算法的基础上对带噪语音的功率谱进行排序,筛选出不含语音信号的频点来估计噪声的平均功率谱;当检测到噪声突变时,对当前的平滑参数和状态变量进行校正。仿真结果表明,该方法可以将突变噪声的跟踪时间缩短90%以上;用于语音降噪处理时,音质可以提升约0.4分。该方法具有一定的工程应用价值。     

基于子空间域噪声特征值估计的语音增强方法

传统信号子空间语音增强方法中均采用语音活动检测方法估计噪声,当噪声统计特性发生变化或信噪比较低时使用语音活动检测不能准确的估计噪声.本文给出一种基于子空间域噪声特征值估计的语音增强方法.结合语音存在概率对带噪语音协方差矩阵在每个特征向量上的特征值递归平滑得到噪声估计,可以在每一帧内更新噪声特征值.该方法不需要区分有声段和无声段,能够更加准确的反映当前时刻的噪声水平,具有鲁棒性.实验结果表明本文方法要优于传统的子空间语音增强方法.     

基于无语音概率改进的对数谱幅度估计增强算法

针对谱减语音增强法中一直存在的去噪度、残留的音乐噪声和语音畸变度三者间均衡这一关键问题,本文提出一种基于无语音概率改进的对数谱估计增强算法.该算法结合无语音概率的思想,按照纯噪声帧和带噪语音帧两种状态.有区别地实时更新语音最小均方误差的对数谱增益,并利用无语音概率参数(SAP)自适应地调节平滑系数,以求随着噪声环境的变化,在去噪度、残留"音乐噪声"和语音畸变度之间自适应地折中.实验表明,该算法在相同去噪程度下,语音畸变和音乐噪声相对其他谱减法都同时地减弱,特别在低信噪比环境下优势更明显,而且平滑参数利用SAP参数,无需多余计算,便于实时处理.