一种新的自适应语音增强系统

针对自适应噪声对消(ANC)语音增强系统的性能高度依赖于参考信号的质量，任何原始语音信号泄漏到参考信号中，都会导致原始语音信号失真和噪声抵消性能恶化这一问题，本文提出一种对泄漏不敏感的附加随机噪声(ARN)自适应噪声对消语音增强系统。它通过在参考信号中加入一个低功率的宽带随机训练信号，然后用该训练信号作参考信号对噪声传输函数(NTF)进行自适应建模，并在使用自适应预测滤波器(APF)消除NTF自适应建模的语音信号干扰的同时，用补偿滤波器(CPF)来修正由APF引起的参考信号失真。计算机仿真表明，这种ARNANC语音增强系统在泄漏情况下能将原始语音信号从带噪语音信号中有效分离出来。     

语音通信中的自适应噪声对消系统设计

现实中的语音通信可能发生在嘈杂的背景噪声中,采用噪声对消技术可以改善噪声环境中的语音通信效果。基于自适应滤波原理,实现了一种适用于语音通信的自适应噪声对消系统。仿真结合语音信号的特点,比较了不同步长因子对系统性能的影响,并给出了优化设计的系统参数。软件编程采用DSP专门的自适应滤波指令,满足了系统对软件实时性的要求。     

基于传声器阵的两级自适应滤波语音增强系统

基于自适应噪声对消思想，提出一种基于传声器阵的自适应语音增强结构，该结构经过两级自适应滤波，分离出增强语音信号。计算机仿真结果显示该系统能有效去除背景噪声。     

一种低频有色噪声的自适应对消模型

文中讨论了使用自适应噪声对消抵制有色噪声的原理、特点,提出了在特定情况下 一种改进的对消模型及其原理,并结合ＬＭＳ（Ｌｅａｓｔ Ｍｅａｎ Ｓｑｕａｒｅｓ）和ＲＬＳ（Ｒｅｃｕｒｓｉｖｅ Ｌｅａｓｔ Ｓｑｕａｒｅｓ）滤波器的实现,给出了计算实例。     

用神经网络实现自适应噪声对消

本文用神经网络实现自适应噪声对消系统，计算机模拟结果表明，该系统对宽带噪声和单频干扰均有很好的抑制作用。     

一种基于自适应噪声估计的宽带语音增强算法

为解决传统算法对噪声适应性较差,残留音乐噪声较强的问题,本文提出了一种基于自适应噪声估计的宽带语音增强算法。该算法可应用于宽带语音编码器,以提升在噪声环境下的编码质量。本文所提算法利用谱熵对噪声类型进行有效的判别,将背景噪声分为白噪声和有色噪声两类,并根据噪声特性选择适当的噪声估计方法。在白噪声背景下,选择一种谱平滑的方法;在有色噪声背景下,则选择经典的最小值控制递归平均算法。在此基础上结合经典的统计模型方法,构建一种具有较强噪声鲁棒性的宽带语音增强算法。在ITU-T G.160标准下对算法进行性能测试,测试结果表明,在不同强度的背景噪声环境下,增强语音的信噪比提高都较为明显。同时,在低信噪比情况下,该算法有效的抑制了严重影响听觉质量的音乐噪声现象。      

一种新的变步长LMS自适应算法及其在自适应噪声对消中的应用

许多时变步长(VSS)自适应算法已经提出用来完善标准LMS算法的性能,但实验表明这些算法容易受噪声干扰.本文介绍了一种新的变步长LMS自适应算法,这种算法保证了较小的失调,同时使算法在自适应初始阶段有较快的收敛速度.该算法的优越性在于它不受已经存在的不相关噪声的干扰.本文对该算法的收敛性和稳定性进行了分析,并将该算法应用于自适应噪声对消的仿真实验中,给出了计算机的仿真结果.     

用神经网络实现自适应噪声对消

本文用神经网络实现自适应噪声对消系统，计算机模拟结果表明，该系统对宽带噪声和单频干扰均有很好的抑制作用。     

基于滤波器组的MCAF噪声对消语音增强

在自适应噪声对消语音增强系统中,为了更好地加快自适应收敛速度,又不增加系统的计算复杂度,同时达到较好的增强效果,提出基于滤波器组的多通道自适应滤波(MCAF)语音增强;给出分析滤波器组与综合滤波器组的原型滤波器设计的具体方法.自适应滤波部分采用经典的LMS算法,同时结合多通道自适应滤波(MCAF),实现对含噪语音的处理,以达到增强效果.实验结果表明,相对于传统的子带LMS算法,基于滤波器组的多通道自适应滤波具有更好的性能,且加快了计算速度.     

一种改进的自适应算法及其在语音增强中的应用

对基于累积误差准则和基于共轭梯度的自适应算法进行了讨论和比较，分析了各自的特点，在此基础上提出了一种改进的自适应算法。改进算法可以在保证算法稳定的前提下提高算法的收敛性能。将改进算法应用于基于自适应干扰对消的语音增强实验，结果表明，与原有算法相比，改进算法能够使含噪语音的信噪比有较大改善。     

传声器阵列语音增强新方法与仿真实验

结合宽带LCMV语音增强和噪声自适应对消原理,提出了一种基于传声器阵列的多级自适应语音增强方法。在真实声学环境下构建实验模型并对语音信号进行采集,通过MATLAB仿真验证了算法。分析表明,该方法计算复杂度低,对语音信号损伤小,信号SNR提高显著。     

基于自适应噪声估计的小波阈值语音增强

文中提出了一种基于小波阈值和自适应噪声估计方法的语音增强算法。该算法直接利用含噪语音信号估计出信噪比SNR,并通过该值调整小波阈值,从而实现了小波阈值的自适应变化。针对噪声的小波变换模值随尺度增大而减小的特性,采用了随尺度变化的小波阈值。并且改进了小波阈值函数。实验数据表明,本文算法在多种噪声环境下,均有较好的语音增强效果。并且在抑制噪声的同时,减少了语音失真。     

基于改进算法的语音增强在激光侦测系统中的应用

为了消除噪声所引起的语音信号的衰落,以自适应滤波器为基础,并综合泄漏最小均方（LMS）算法和变步长LMS算法的优点,提出了适用于激光侦测系统的可变泄漏最小均方（VL-LMS）自适应滤波新算法,对其原理进行了剖析。用实测的带噪语音信号进行了动态仿真,结果表明,该算法能有效地克服基于LMS算法的自适应谱线增强器的不足,具有良好的抑制高斯噪声能力和跟踪性能。     

基于阵列抗串扰自适应噪声抵消的语音增强

本文提出了一种针对阵列交叉串扰信号的自适应噪声抵消方法,并将其用于麦克风阵语音增强.该方法仅使用两级滤波系统,计算量小,稳定性好,且对麦克风阵的几何结构及噪声类型均没有严格限制.试验表明,该方法消噪量大,对语音损伤小,语音增强效果显著,适用于多种噪声环境并易于实时实现.     

一种基于噪声快速跟踪的语音增强算法

对解决传统减谱算法残留音乐噪声的问题,现有许多方法都无法达到理想效果。提出一种能在非平稳噪声环境下快速追踪噪声的语音增强方法,采用端点检测优化信噪比,达到较好的语音增强效果。实验表明,相比其他类似方法,在提高实时性、增加信噪比和抑制背景噪声和音乐噪声方面都有更好效果。     

Speech Enhancement Algorithm Based on MMSE Short Time Spectral Amplitude in Whispered Speech

An improved method based on minimum mean square error-short time spectral amplitude （MMSE-STSA） is proposed to cancel background noise in whispered speech. Using the acoustic character of whispered speech, the algorithm can track the change of non-stationary background noise effectively. Compared with original MMSE-STSA algorithm and method in selectable mode Vo-coder （SMV）, the improved algorithm can further suppress the residual noise for low signal-to-noise radio （SNR） and avoid the excessive suppression. Simulations show that under the non-stationary noisy environment, the proposed algorithm can not only get a better performance in enhancement, but also reduce the speech distortion.     

一种基于语谱图分析的语音增强算法

针对传统谱减法会产生“音乐噪声”及在低噪比环境下降噪效果不理想的问题,提出一种基于语谱图分析的语音增强算法.所提方法先对带噪语音进行谱减处理,再通过语谱图分析对处理后的语音信号进行去小亮块处理,即对“音乐噪声”进行有效的削弱,最后通过设置阈值,滤除低灰度值的成份,即消除残留近似高斯噪声.实验结果表明,提出的算法可以有效地解决谱减法后残留的“音乐噪声”及低信噪比下谱减法残留噪声较大的问题.     

基于同步方程方法的有源噪声控制

基于同步方程方法基本原理,对有源噪声控制系统中的参考输入信号和测量误差信号进行处理,得到最优的噪声控制滤波器,其无须对次路径进行辨识建模,且具有较好的鲁棒性;就前馈控制结构加以研究,仿真结果表明,该方法不仅在次路径固定不变时,使噪声信号得到明显衰减,并且在次路径发生改变时,依然能很好地控制噪声。     

采用归一化最小均方误差准则的LM-BP算法

传统神经网络通常以最小均方误差(LMS)或最小二乘（RLS）为收敛准则,而在自适应均衡等一些应用中,使用归一化最小均方误差（NLMS）准则可以使神经网络性能更加优越。本文在NLMS准则基础上,提出了一种以Levenberg-Marquardt（LM）训练的神经网络收敛算法。通过将神经网络的误差函数归一化,然后采用LM算法作为训练算法,实现了神经网络的快速收敛。理论分析和实验仿真表明,与采用最速下降法的NLMS准则和采用LM算法的LMS准则相比,本文算法收敛速度快,归一化均方误差更小,应用于神经网络水印系统中实现了水印信息的盲提取,能更好的抵抗噪声、低通滤波和重量化等攻击,性能平均提高了4%。      

基于改进噪声方差估计的小波阈值语音增强

提出了一种估计语音噪声方差的改进方法,利用语音信号小波系数尺度间的相关性,去除了语音信号细节小波系数对噪声方差估计的干扰。仿真结果表明,方法能准确估计语音信号的噪声方差,尤其当语音噪声较小时,方法比传统的Donoho法更准确。