基于极值域均值模式分解最大相似度的语音增强方法

提出一种基于极值域均值模式分解最大相似度的低信噪比语音增强算法,解决部分噪声环境下低信噪比语音信号增强问题。该算法核心思想是：对分解后得到的固有模态分量进行筛选后再做滤波处理,以此减少过滤波和欠滤波情况的发生。在筛选过程中,提出一种最大相似度判断算法,通过检测得到的噪声信号与固有模态分量计算最大相似度,通过最大相似度筛选出固有模态分量进行滤波,由于噪声与语音信号容易发生频谱混叠,在滤波器的选择上采用时域滤波器。将滤波后的固有模态分量和未作处理的固有模态分量进行信号重构,得到增强后结果。     

基于极值域均值模式分解和独立分量分析的语音增强方法

提出一种基于极值域均值模式分解与独立分量分析相结合的低信噪比语音增强算法,解决更多噪声环境下低信噪比语音信号增强问题.该算法的核心思想是:利用独立分量分析的特点,分离出选取的固有模态分量的固有特性,消除信息混淆.通过最大相似度,筛选出需要处理的固有模态分量,对其进行独立分量分析,使噪声特性能够进一步集中,提高最大相似度,这样更有利于噪声的滤除.由于独立分量分析存在幅值、位置的不确定性,所以对滤波后的独立分量要进行二度重构,即独立分量分析重构和极值域均值模式分解重构,得到增强后结果.     

改进型先验信噪比估计语音增强算法

在DCT域提出了一种改进STNR(M-STNR)算法,其在原算法的第二步中利用信号的高斯模型假设条件,采用MMSE估计来获取当前帧先验信噪比的估计,算法无需语音增强系统增益因子的任何先验条件,在保持简单结构的同时避免了原算法的不足。仿真结果表明,基于该改进方案的语音增强算法在多种噪声背景下具有更出色的语音增强效果。     

基于语音清浊音分离的语音增强算法

根据语音清浊音产生的机理不同,更精确地估计了清浊音的谱密度函数,提出了一种新的基于清音和浊音分离的语音增强算法,Matlab仿真试验验证了本文算法的有效性。     

基于自适应滤波的语音增强算法

介绍了自适应滤波进行语音增强的一种方法。对带噪语音进行自适应滤波处理，滤波后的语音信噪比和听觉质量得到了很大的改善。     

低信噪比弱信号提取算法研究

采用从强背景噪声中提取话音信号的自适应噪声抵消技术——最小均方误差(LMS)入手，对该算法的性能进行了分析，针对其收敛速度慢、提取信号频带窄的缺点，提出了改进的有动量因子的自适应最小均方误差算法(MLMS)．仿真结果表明，该方法对于解决弱信号提取问题有一定效果．     

Massive MIMO网络中低复杂度的MMSE检测方法

设计出大规模多入多出(massive MIMO)网络中一种有效、低复杂度的最小均方误差(MMSE)接收机结构。该接收机基于最陡下降和最小均方算法,能够避免大规模矩阵求逆运算。数学推导结果证明,这2种算法应用于MMSE检测时是收敛的。此外,分析了影响收敛速度的因素。仿真结果表明,应用于Massive MIMO网络中时该接收机收敛速度较快,切实可行。     

Kalman滤波语音增强算法的参数估计与实现

针对Kalman滤波语音增强算法的参数估计及实现问题,提出基于协作式的新型递归神经网络方法.该方法通过协作式递归神经网络算法进行自回归AR参数估计,并利用有噪自回归信号的最小均方算法进行噪声方差参数估计.仿真实验表明,综合以上2种参数估计方法的Kalman滤波语音增强算法具有高效、实现简单的特点,消噪效果明显.     

基于EMD自适应滤波的谱分析方法研究

经验模态分解（EMD）是一种分析非线性非平稳信号的时频分析方法．基于该方法提出一种新的自适应滤波算法EMD—LMS,并对滤波后信号进行谱分析．实验表明：与经典的功率谱分析方法相比,本文提出的谱分析方法具有更好的分辨率．     

一种改进BM3D的图像去噪增强方法

针对已有图像增强方法对内核算法要求高、信噪比提升小、增强效果差的问题,提出一种运用改进三维块匹配滤波(BM3D)算法的图像去噪增强方法.该方法以改进图像块搜索方式的BM3D为内核,将去噪后图像加到原始噪声图像上,进行图像去噪增强.仿真结果表明,改进BM3D算法相比BM3D算法,提高了图像的峰值信噪比和降低了图像均方误差;与BM3D算法和改进BM3D算法相比,去噪增强方法具有更好的去噪效果.     

冲击噪声环境下基于信号子空间的多通道语音增强算法

针对冲击噪声环境下的语音增强问题提出了一种不依赖任何语音信号模型、适用于冲击噪声的基于信号子空间分解的多通道语音增强算法。该算法把阵列信号处理中的协变异应用到语音增强中,对带噪语音信号的协变异系数矩阵进行特征值分解得到纯净语音信号的子空间。仿真实验结果表明:该算法对于冲击噪声有抑制作用,对高斯白噪声、高斯有色噪声也有一定的抑制效果。     

基于小波变换的人声语音增强技术研究

主要介绍了几种小波变换去噪的原理及语音增强的算法,并通过Matlab仿真结果证明了小波变换在人声语音增强方面的优良特性。     

基于小波变换的语音增强研究

提出一种新的阈值函数,分析、实现传统的小波域固定阈值增强算法和基于TEO的小波域自适应阈值增强算法,并针对其部分不足,结合小波系数相关性的特性提出一种新的语音增强算法,实验结果证明该方法是可行的,而且增强效果比前两种方法也有所改进。     

一种基于迭代多带谱相减的语音增强方法

根据传统的谱相减语音增强算法,提出了一种抑制噪声的迭代多带谱相减语音增强方法,暨将迭代方法和多带谱相减方法相结合。同时该方法采取了一种不需要静音检测(VAD)的自适应方法来估计噪声。仿真结果表明, 该方法在较好的抑制背景噪声和残留音乐噪声的同时,保持较好的语音可懂度。     

一种噪声谱快速跟踪的语音增强方法

提出了基于多窗谱法和小波阈值法对带噪语音的短时功率谱进行估计的语音增强改进方法．针对软、硬阈值法自身的缺点，采用了一种改进方法，即模平方处理方法．噪声估计过程中通过跟踪带噪语音帧来更新噪声估计．仿真结果表明，本文提出的方法能够快速跟踪突变噪声，具有较强的降噪能力．把此算法综合到语音增强中时，其增强性能要好于STSA-MMSE算法．     

一种噪声谱快速跟踪的语音增强方法

提出了基于多窗谱法和小波阈值法对带噪语音的短时功率谱进行估计的语音增强改进方法.针对软、硬阈值法自身的缺点,采用了一种改进方法,即模平方处理方法.噪声估计过程中通过跟踪带噪语音帧来更新噪声估计.仿真结果表明,本文提出的方法能够快速跟踪突变噪声,具有较强的降噪能力.把此算法综合到语音增强中时,其增强性能要好于STSA MMSE算法.     

基于Hilbert-Huang变换理论的语音增强初探

希尔伯特-黄变换是新发展起来强有力的非线性、非稳态信号处理方法．它从信号自身出发自适应地产生具有物理意义的基函数,而不是人为地设定变换的基函数．该文将这一全新的方法应用到语音信号处理．希尔伯特-黄变换基于信号的局部特征时间尺度,能把复杂的信号分解为有限的内在模态函数之和,这种自适应的分解方法非常适于非线性和非平稳过程的分析．实验表明,希尔伯特-黄变换适于语音信号处理,有广阔地应用前景．结合小波变换的分析表明,该方法在语音去噪方面优于小波变换．     

不同语速下语音倒频谱某些特点的初步探讨

语音识别中,倒频谱是识别效果最好的一种参数.而语速的变化对于识别效果有着很大的影响,因此研究不同语速对于倒频谱的影响是很有意义的一项工作.计算并对比了两种语速(快速与慢速)下部分元音和辅音的倒频谱中C0值、C1值、峰值位置与峰值幅度值特征,给出了实验结果,以期探讨语音倒频谱在不同语速下的一些特点.