一种引入延迟的语音增强算法

针对传统语音增强算法中,只采用当前帧和当前帧以前的信息对当前帧语音谱进行估计而造成变电平噪声和音乐噪声的问题,采用一种改进的引入延迟的语音增强算法。通过引入延迟,可以在对当前帧语音谱进行估计时使用当前帧以后帧的信息,在噪声估计中采用类似路径搜索的双向搜索方法消除变电平噪声的影响,在先验信噪比估计中采用改进的非因果先验信噪比估计算法,消除低信噪比平滑不足带来的音乐噪声,在此基础上构建了一个完整的语音增强算法。实验结果表明,该算法基本不受变电平噪声的影响,而且音乐噪声和残留背景噪声都得到了很好的抑制。     

改进的低时延语音增强算法

针对目前语音增强存在较大时延的问题,提出一种低时延语音增强算法。在传统的先验信噪比估计和噪声估计的基础上,对判决引导算法进行低时延的改进,并提出了一种基于语音存在概率和语音激活检测相结合的噪声估计方法,本文的算法采用对数MMSE估计器结合语音存在概率。采用ITU-T P.826 PESQ、分段信噪比、总信噪比和对数谱失真对该算法进行了测试,并与其他几种算法进行了对比,实验结果表明,该算法有效降低了时延,可以很好的跟踪非平稳噪声,在信噪比较低的情况小可以取得很好的增强效果,且音乐噪声和残留背景噪声也可以得到很好的抑制。     

帧间约束MMSE语音增强算法

本文主要讨论基于语音短时谱估计的语音增强算法，在语音短时谱幅度最小均主误差估计（ＭＭＳＥ）的基础上，本文提出了一种基于帧间频域分布约束的改进的语音短时谱幅度ＭＭＳＥ估计算法，该算法充分利用了语音分析帧之间存在的相关性，并以频域分布约束的形式结合到估计式中，考虑到在ＭＭＳＥ估计式中需要利用语音频谱的分布，本文采取了两种解决办法，利用高斯分布模型进行近似；利用语音材料进行统计得到近似的分布模型，新算法     

语音增强:使用burg谱先验信噪比估计消除"音乐噪声"

针对谱衰减增强算法中存在的"音乐噪声"问题,提出一种新的估计先验信噪比的方法.文章深入分析了谱衰减算法中"音乐噪声"的产生原因和抑制机理,并基于对先验信噪比的平滑,准确性和分辨率三者之间的关系以及它们对增强算法的影响等方面的综合考虑,选择burg方法结合直接判决准则进行估计,从而得到更加接近于真实情况下的先验信噪比.实验证明,在最小均方误差(MMSE)和对数谱最小均方误差(LSA-MMSE)增强算法中使用文章提出的先验信噪比估计,可以有效抑制"音乐噪声",同时,语音失真也进一步降低.     

一种基于短时谱估计和人耳掩蔽效应的语音增强算法

该文结合短时谱估计算法和人耳掩蔽效应提出了一种单通道语音增强算法。该算法在MMSE准则下采用了非固定参数的语音跟踪,并且引入人耳掩蔽效应动态的确定增强滤波器的传递函数以适应语音信号的变化。实验结果表明：该算法使降噪后的语音信号有较小的语音失真并且很好地抑制了音乐噪声。     

基于动量项先验信噪比估计的语音增强算法

先验信噪比(Signal Noise Ratio,SNR)估计的精度影响着语音增强算法的性能.直接判决(Decision Directed,DD)算法是最常用的先验信噪比估计算法,但是,该算法估计的增强语音语音失真严重.首先介绍了语音增强算法的基本理论并分析了DD算法、TSNR算法和融入动量项算法,然后运用MATLAB软件进行实验仿真,对比分析了融入动量项算法的性能优势.     

低信噪比条件下的语音端点检测与增强

针对在低信噪比条件下难以实现语音端点检测,提出了基于混沌理论的解决方法,采用Duffing方程的间歇混沌特性对语音信号进行检测,同时对谱减法作了改进,根据入耳听觉掩蔽效应的语音增强算法,动态修正谱减系数,有针对性地进行谱减,有效克服了音乐噪声.在信噪比较低的情况下,按照该方案处理后的语音不仅信噪比显著提高,主观听觉失真有效减小,且语音清晰度、可懂度和舒适度极大改善.     

一种基于后验信噪比频域语音增强方法的研究

谱减法是常用的单通道语音降噪方法,传统谱减法在抑制背景噪声的同时引入了“音乐噪声”,影响听觉效果。为了抑制音乐噪声,提出了一种基于后验信噪比的频域语音增强新方法,当后验信噪比较高时,采用基于后验信噪比的谱减法增强语音信号;当后验信噪比较低时,采用基于后验信噪比的谱衰减方法对含噪语音信号谱线进行衰减,达到语音增强的目的。仿真结果表明,基于后验信噪比的频域语音增强法具有较好的背景噪声和音乐噪声抑制效果,并保持了较好语音可懂度。     

基于动量项先验信噪比估计的语音增强算法的研究

先验信噪(SNR,Signal Noise Ratio)估计的精度影响着语音增强算法的性能。直接判决算法 (DD, Decision Directed)算法的计算简单且音乐噪声残留少,是最常用的先验信噪比估计算法,但是,该算法估计的增强语音语音失真严重。本文首先介绍了语音增强算法的基本理论并分析了DD算法、TSNR算法和融入动量项算法,然后运用MATLAB软件进行实验仿真,对比分析了融入动量项算法的性能优势。     

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。     

基于噪声被掩蔽概率的优化语音增强方法

利用听觉系统的掩蔽特性,提出了一种优化的语音增强方法。研究表明,噪声被语音掩蔽的概率是噪声强度和听觉掩蔽阈值的函数。考虑到噪声在带噪语音中的出现具有不确定性,各语音谱分量的最终估计由对带噪语音的谱分量和用传统的增强方法估计的谱分量的加权求得,加权因子由噪声被掩蔽概率确定。语音增强性能的评估结果表明,这种优化的语音增强方法在减少语音失真与加强噪声抑制之间取得了良好的折衷,减少了语音的听觉失真, 有效地抑制了音乐噪声,提高了增强语音的清晰度。     

线性滤波器输出信噪比的最小上界和降噪性能

为了分析和评价各种线性滤波器的降噪性能，本文提出一种新的计算线性滤波器输出信噪比公式，并且统一的方法推导出线性滤波器输出信噪比的最小上界。它既适用于功率有限的信号，也适用于能量有很的信号，既适用于书籍波形，也适用于随机信号，本文还证明了被广泛应用的，根据不同推导出的维纳滤波器和匹配滤波器均能改善输出信噪比。     

含噪语音信号频谱增强技术的统计方法研究与展望

基于单个麦克风的含噪语音信号频谱增强技术,一直受到有关工业和学术界的高度关注,其广泛应用于诸如语音识别、助听系统和免提终端通信等领域中。本文系统地讨论了含噪语音信号频谱增强系统设计的基本模块元素,并对诸如语音信号估计、语音信号出现概率估计、先验信噪比(SNR)估计和噪声功率谱估计等模块元素的统计技术与方法进行了较详细的讨论和描述。文中还讨论了含噪语音信号频谱增强算法的有关选择问题,并展望了其今后可能的研究与发展方向。     

语音增强及其消噪能力研究

语音增强技术可极大提高信噪比，解决由于环境噪声引起的语音通讯和识别性能下降的问题。目前常用的语音增强算法有频谱相减法，维纳滤波法，自适应抵消法等。文章提出一种将指向性麦克风和自适应抵消法相结合的方法，在仿真试验中取得了较好的结果。     

色噪声下基于白化频谱重排鲁棒主成分分析的语音增强算法

基于鲁棒主成分分析(RPCA)的单通道语音增强算法是高斯白噪声环境下语音增强的一种重要处理手段,但其对低秩语音分量处理效果欠佳且无法较好地抑制色噪声。针对此问题,该文提出一种基于白化频谱重排RPCA的改进语音增强算法(WSRRPCA),通过优化噪声白化模型,将色噪声语音增强转换成白噪声语音信号处理,利用频谱重排改进RPCA语音增强处理算法,从而获得色噪声环境下语音信号处理性能的整体提升。仿真实验表明,该算法能够较好地实现色噪声环境下的语音增强,且相对于其他算法具有更佳的噪声抑制和语音质量提升能力。     

信噪比盲估计算法性能比较

为了实现非协作环境下的通信信号信噪比估计,本文在功率谱分析的基础上,提出了一种基于功率谱差分的信噪比盲估计算法,并将其与传统的基于奇异值分解的信噪比盲估计算法进行了比较。理论与仿真结果表明,与传统方法相比,本文提出的算法不但复杂度低,而且在低信噪比情形下仍具有较高的估计精确度和稳健性。     

基于短时谱最小均方误差估计的语音增强和剩余噪声衰减

本文研究了三种基于语音短时谱最小均方误差估计的语音增强方法:短时谱幅度最小均方误差估计,短时对数谱最小均方误差估计和短时相对谱幅度最小均方误差估计,在理论分析基础上对它们进行了实验研究.计算机仿真结果表明,在加性白色高斯噪声污染下,当带噪语音信噪比为+5～-10dB时,处理后的语音信噪比提高了3.4～12dB。短时对致谱最小均方误差估计的效果最好,试听实验也证实了这一点。 文中还对增强后剩余噪声的衰减问题进行了研究。利用中心削波并对估值器中的增益函数进行修正,可明显地减弱剩余噪声。     

基于信噪比分类网络的调制信号分类识别算法

针对传统降噪算法损伤高信噪比(SNR)信号而造成信号识别准确率下降的问题,该文提出基于卷积神经网络的信噪比分类算法,该算法利用卷积神经网络对信号进行特征提取,用固定K均值(FK-means)算法对提取的特征进行聚类处理,准确分类高低信噪比信号。低信噪比信号采用改进的中值滤波算法降噪,改进的中值滤波算法在传统中值滤波的基础上增加了前后采样窗口的关联性机制,来改善传统中值滤波算法处理连续噪声效果不佳的问题。为充分提取信号的空间特征和时间特征,该文提出卷积神经网络和长短时记忆网络并联的卷积长短时(P-CL)网络,利用卷积神经网络和长短时记忆网络分别提取信号的空间特征与时间特征,并进行特征融合与分类。实验表明,该文提出的调制信号分类模型识别准确率为91%,相比于卷积长短时(CNN-LSTM)网络提高了6%。