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.     

基于自适应维纳滤波和2D-VMD的声呐图像去噪算法

声呐图像易产生对比度低、分辨率低、边缘失真等问题,所以在去除声呐图像噪声时难以将有效信号与噪声准确分离,从而导致去噪后图像对比度降低、边缘轮廓不清晰、细节丢失严重等问题.本文提出一种基于自适应维纳滤波和2D-VMD(二维变分模态分解)的声呐图像去噪算法.首先通过二维变分模态分解对含噪图像进行分解,得到一系列不同中心频率的模态分量,利用相关系数和结构相似度筛选出有效的模态分量,并使用自适应维纳滤波处理有效的模态分量,最后将滤波后的模态分量进行重构,从而去除图像中的噪声.实验结果表明:所提图像去噪算法在相关系数(CC)、结构相似度(SSIM)这两项客观数据上表现最优,峰值信噪比(PSNR)略低于NSST域去噪,综合客观数据与视觉效果,本文所提算法去除噪声后的图像细节和边缘保持能力效果最佳.     

基于改进EMD算法的信号滤波

为解决经典经验模态分解(empirical mode decomposition, EMD)滤波算法在低信噪比环境下滤波效果不佳的问题,提出了一种改进的EMD滤波算法。利用FFT对信号进行简单的频谱分析,若其中含有高频噪声,则对信号经EMD分解后得到的一阶本征模态函数 (intrinsic mode function, IMF)分量做剔除处理;若信号中含有白噪声及毛刺干扰,则向经典EMD滤波算法中添加变尺度因子,然后对信号进行EMD滤波,在算法最后一次迭代时再将一阶IMF剔除。仿真试验结果表明,改进的EMD滤波算法在低信噪比环境下有较小的均方误差值,滤波效果较好。     

基于经验模态分解和Mel倒谱系数的语音端点检测

提出了一种基于经验模态分解和Mel倒谱系数的语音端点检测方法。对语音信号进行分解得到一组IMF分量,将集中在低层IMF分量中的噪声信号滤除,重构剩余的IMF分量成语音信号,提取重构信号的Mel频率倒谱系数来检测语音信号的端点。实验结果表明,提出的方法可以较好地消除噪声对语音信号端点检测带来的影响,能在不同信噪比的环境下正确地对语音信号进行端点检测,具有一定的鲁棒性。     

基于CEEMD和自适应MCKD诊断滚动轴承早期故障

针对滚动轴承早期故障难以提取和最大相关峭度解卷积(maxim correlated kurtosis deconvolution,MCKD)降噪效果受滤波器长度L的影响,提出了基于互补集合经验模态分解(complementary ensemble empirical mode decomposition,CEEMD)和自适应最大相关峭度解卷积相结合的故障特征提取方法(CEEMD-AMCKD).首先,利用CEEMD将信号分解得到一组固有模态分量,利用峭度值筛选出冲击成分明显的分量;然后,以排列熵值为标准,运用步长搜寻法确定最佳的MCKD滤波器长度,对前面筛选出的分量进行降噪处理;最后,将降噪后的分量及其他分量进行信号重构并根据包络功率谱提取故障特征频率.通过仿真和试验验证了该方法的有效性.     

小波包变换和EEMD结合的信号去噪方法

超声波采样信号中的噪声也会参与经验模态分解(EEMD),造成各分解分量IMFs失真,针对于此,利用小波包分解能同时处理高频及低频噪声的特点,并结合EEMD分解算法良好自适应性,提出一种先通过小波包变换对原始采样信号进行初步消噪,然后再结合EEMD算法分解得到独立IMFs分量,最后根据各IMFs相关系数重构获得有效信号的降噪方法。通过仿真分析,相比单独的小波包去噪、EEMD分解去噪,本方法提高分解效率的同时提升了信噪比,具有更好的滤波效果。     

基于改进EMD和小波阈值法的风机数据降噪研究

风机轴承振动信号中混杂着噪声,会对后期的故障诊断造成困难。提出了一种改进经验模态分解(EMD)与小波阈值降噪相结合的风机数据降噪方法。首先,采用EMD对原始振动信号进行分解得到信号的固有模态函数,考虑到各个分量中都含有噪声和信号从而出现模态混叠现象,故采用相关系数法筛选出信号分量和噪声分量对EMD进行改进。然后,采用小波阈值法对噪声分量进行降噪,并将信号分量与处理后的噪声分量进行重构,最终完成信号降噪。最后,选取某风机轴承振动数据作为实验数据,有效地去除了原始信号中的噪声,并得出轴承内圈故障的结论,与实际结果一致,验证了所提方法的有效性。     

基于EMMD／MMSE低信噪比的语音增强方法

EMMD分解后的信号虽然解决了EMD中存在的端点效应问题,但是存在音乐噪声,提出一种基于EMMD／MMSE的语音增强方法,该算法利用MMSE解决经过EMMD处理的信号中含有的音乐噪声问题,从而得到很好的语音增强效果。通过实验对增强前后语音信号的信噪比分析表明,基于EMMD／MMSE的语音增强方法在提高语音信号的信噪比、可懂度方面优于传统的增强方法。     

基于变分模态分解和奇异值分解的局部放电信号去噪方法

为有效抑制局部放电信号中的复杂噪声干扰,提出一种基于变分模态分解和奇异值分解的去噪方法。首先通过泄露能量确定VMD算法中的模态分解个数,对局部放电信号进行分解,得到数个有限带宽的固有模态分量;然后基于峭度指标选择包含有用信息的分量进行信号重构,将周期性窄带干扰去除;最后采用奇异值分解去噪方法抑制信号中剩余的高斯白噪声。运用该方法对含噪局放信号进行去噪处理,并通过时变峰度法对信号初至时刻进行拾取。与传统的小波方法和经验模态分解算法进行对比,该方法能有效抑制局放信号的复杂噪声干扰,去噪后信号波形畸变较小,信号拾取精度较高。     

基于最小熵解卷积与稀疏分解的滚动轴承微弱故障特征提取

针对滚动轴承早期故障难以提取和最大相关峭度解卷积（maxim correlated kurtosis deconvolution,MCKD）降噪效果受滤波器长度L的影响,提出了基于互补集合经验模态分解（complementary ensemble empirical mode decomposition,CEEMD）和自适应最大相关峭度解卷积相结合的故障特征提取方法（CEEMD-AMCKD）.首先,利用CEEMD将信号分解得到一组固有模态分量,利用峭度值筛选出冲击成分明显的分量;然后,以排列熵值为标准,运用步长搜寻法确定最佳的MCKD滤波器长度,对前面筛选出的分量进行降噪处理;最后,将降噪后的分量及其他分量进行信号重构并根据包络功率谱提取故障特征频率.通过仿真和试验验证了该方法的有效性.

     

区分性联合稀疏字典交替优化的语音增强

在联合稀疏字典的语音增强中,由于联合字典的相似性,导致稀疏重构阶段产生语音和噪声混淆进而产生语音失真问题。针对此,在训练阶段提出一个费希尔准则下的目标函数。该函数包含了语音和噪声的区分约束项,并用与信号变化相关的平衡因子去调整各项权值,为尽可能减小混淆误差提供了保障;同时,为了能使目标函数收敛,设计了一种交替优化字典和稀疏系数的算法,迭代寻找所需的字典和稀疏系数,完成语音字典和噪声字典的输出,得到具有非相似即区分性能较好的联合字典。在增强阶段,将带噪语音信号在联合字典上进行稀疏表示,并估计出语音幅度谱和噪声幅度谱。最后,结合维纳滤波器和理想二值掩模的优点,提出了新的软掩模滤波器,进一步消除了残余噪声。通过对不同信噪比的带噪语音进行实验,新算法得到的语音信噪比和听觉感知评价都较高,验证了新算法在提高语音性能方面的有效性。     

Speech enhancement using improved phase spectrum compensation

The typical phase spectrum compensation method has the negative enhancement performance in a low SNR,so the improved phase spectrum compensation method is proposed for this problem. First, the algorithm compensates the speech spectrum through the phase compensation function obtained by calculating the signal to noise ratio of each frame; second, by the new speech presence probability algorithm to estimate the noise power spectral density; finally, we apply the new phase spectrum and the estimated noise in the wiener filter. Simulation results show that the improved algorithm proposed in this paper can effectively improve the ability of voice systems to remove noise especially in a low SNR.     

基于概率潜分量分析的语音增强算法

针对传统语音增强方法在非平稳噪声环境和低信噪比情况下增强效果不理想的问题,提出了一种基于概率潜分量分析(PLCA)的语音增强算法。该算法分析并引入了PLCA模型,将语音谱建模成意义明晰的边缘分布表示,并通过期望最大化(EM)算法对最优边缘分布进行求解,用边缘分布组成的字典对噪声进行描述,利用语音信号的边缘分布选择性地重构语音信号,从而实现与噪声分离,达到语音增强的目的。仿真结果表明,该算法在抑制噪声、提高信噪比、增强语音质量方面明显优于传统的语音增强方法。     

Speech-stream detection in short-wave channel based on empirical mode decomposition and higher-order statistics

To capture the presence of speech embedded in nonspeech events and background noise in short-wave non-cooperative communication,an algorithm for speech-stream detection in noisy environments is presented based on Empirical Mode Decomposition (EMD) and statistical properties of higher-order cumulants of speech signals.With the EMD,the noise signals can be decomposed into different numbers of IMFs.Then,the fourth-order cumulant (FOC) can be used to extract the desired feature of statistical properties for IMF components.Since the higher-order cumulants are blind for Gaussian signals,the proposed method is especially effective regarding the problem of speech-stream detection,where the speech signal is distorted by Gaussian noise.With the self-adaptive decomposition by EMD,the proposed method can also work well for non-Gaussian noise.The experiments show that the proposed algorithm can suppress different noise types with different SNRs,and the algorithm is robust in real signal tests.     

陀螺飞轮信号的EMD/LPF混合去噪方法

为提高陀螺飞轮系统的标定与辨识精度进而保证姿态测量性能,对其信号去噪方法进行研究以便从复杂噪声中提取标定辨识所需的有用信息.首先基于噪声产生机理对陀螺飞轮信号的噪声特性进行分析.其次,在不影响信号低频特性的前提下,采用传统低通滤波（LPF）方法对信号进行预处理以抑制高频周期噪声.然后应用经验模态分解方法（EMD）对LPF预处理后的信号进行分解,根据信号和各模态分量的概率密度函数的相似性度量,给出一种模态判定准则.在此基础上,结合现有阈值滤波方法,提出一种EMD/LPF混合去噪方案. 结果表明:所提出的基于相似性度量的模态判定准则在不同信噪比条件下均能够实现分界点的准确判定;将所研究的去噪方法分别应用于标准测试信号和陀螺飞轮实测信号;所提出的混合去噪方法相比于现有去噪方法更为有效.     

基于扩展谱减法语音增强系统的DSP实现

针对语音通信经常受到背景噪声干扰的问题,本文采用扩展谱减法（Extended Spectral Subtraction）在TI公司的TMS320VC5410DSP芯片上实现语音增强系统。实验结果表明,当p取0．85时,获得最佳增强效果,增强后的语音可懂度明显得到改善。由于背景噪声是非平稳的,在低信噪比下语音信号有所损伤,但是没有出现大量的“音乐噪声”,其可懂度也没有显著下降。扩展谱减法可以有效地消除背景噪声,抑制“音乐噪声”,信噪比越高,增强效果越好。即使当信噪比较低（0dB）时也能很好的提高语音质量。     

基于掩蔽效应的改进型自适应语音增强算法

在分析经典自适应滤波算法的基础之上提出了一种有效的消除噪声且减小语音失真的语音增强方法.为了进一步提高语音增强效果,根据人耳掩蔽效应把语音信号中关键频率段的阈值作为自适应滤波算法的动态系数,根据此系数估算误差函数.在Matlab上对此算法输入不同信噪比的信号,仿真结果表明:输出的信噪比明显高于传统滤波算法,且残留噪声较小.     

智能语音识别系统中噪声估计算法的研究和改进

智能语音识别技术的研究已有较长的时间,但由于语音信号本身所具有的多变性、瞬时性、连续性和动态性的特征,使得机器在不同的环境尤其是噪声环境中进行语音信号的识别仍具有一定的困难.为了提高带噪语音信号识别的准确率,本文研究了一种常用的噪声估计算法,即基于后验信噪比的时间递归平均算法.并在此算法的基础上提出了一种对平滑因子的改进算法,将语音活性检测算法与这两种算法在不同输入信噪比下进行模拟验证.通过运算结果的对比分析可以看出,改进后的算法相比于语音活性检测算法最高可以使输出分段SNR提高2.1 dB,相比于原时间递归平均算法最高可以使输出分段SNR提高0.5 dB,表明低输入SNR下改进后的算法可以有效提高语音信号的质量和可懂度.