基于改进粒子滤波的电力线载波通信语音增强

针对噪声和混响环境下的电力线载波机语音通信系统聆听上的困难,研究了为实现多路电力线载波机复接器所采用的粒子滤波的语音增强算法,提出了一种基于粒子群优化的改进粒子滤波算法,它将语音增强问题转换为从带噪语音中对纯净语音的估计过程,引入粒子群优化的方法来产生建议分布,使降噪结果更接近纯净语音,从而得到更好的语音增强效果。     

基于蒙特卡洛滤波平滑的语音增强算法

本文在分析统计信号贝叶斯模型和语音信号的时变自回归(TVAR)模型的基础上,利用蒙特卡洛滤波及平滑方法,对语音信号的TVAR模型参数进行了估计,提出了一种有效的针对非平稳加性噪声影响下的语音增强算法.该算法可以很好的跟踪非平稳信号,同时引入对反射系数的判断,保证了跟踪的稳定性.实验表明,本文方法能很好的抑制背景噪声,提高信噪比,改善语音信号的听觉质量.     

基于感知加权滤波的卡尔曼滤波语音增强

结合人耳听觉掩蔽效应,提出一种基于听觉感知加权的卡尔曼滤波语音增强方法。由于人耳对语音的感知主要是通过语音信号频谱分量幅度获得的,引入听觉感知加权滤波器在频域上使共振峰区域残留噪声更多,而共振峰之间及语音幅度谱较低的区域残留噪声减少,这样符合人耳的听觉特性,从而使得主观感觉到的噪声最小。采用语音质量感知评估对语音增强的效果进行评测,与传统的卡尔曼滤波语音增强算法相比,实验结果显示该算法提高了增强语音的质量。     

基于子带粒子滤波的一种语音增强方法

结合多采样率系统理论中的子带技术与贝叶斯估计理论中的粒子滤波技术,提出了一种基于子带粒子滤波的语音增强方法。该方法首先将语音信号分解成子带信号,建立各子带信号的低阶时变AR模型;然后利用R-B粒子滤波估计时变AR模型参数,对子带信号进行滤波处理;最后根据滤波后的子带信号重构语音信号,实现语音增强。该方法通过子带分解降低了R-B粒子滤波中采样空间的维数,在降低计算量的同时,提高了语音增强系统的性能。计算机仿真结果验证了该方法的有效性。     

结合时变滤波和时频掩码的语音增强方法

本文提出了一种结合鲁棒时变滤波和时频掩码的语音增强方法。首先在带噪语音的时频域中,结合图像处理方法估计出初始瞬时频率信息。然后基于该瞬时频率信息,利用鲁棒时变滤波算法构建降噪后的语音信号。最后根据重构语音的时频特征预测时频掩码。该掩码在带噪语音的时频域中能够有效地保留语音成分且抑制噪声成分,从而达到语音增强的目的。实验结果表明,在几种常见背景噪声环境下,所提语音增强算法在抑制背景噪声干扰、提升语音整体质量方面表现良好,尤其是在低信噪比环境下具有明显的优势。      

基于粒子滤波的动态自回归预测模型方法

针对自回归模型以固定历史观测序列建模,模型不能随时间序列新的观测值实时更新,导致预测中对序列趋势变化适应性差,预测精度低的问题,提出以粒子滤波动态优化调整自回归模型的方法,通过对模型参数蒙特卡洛采样得到粒子,以粒子描述模型状态变量的演变,采用递推贝叶斯方法估计粒子权重,由粒子及其权重近似模型参数的后验滤波值,从而随观测序列的动态获得不断更新模型参数,提高了模型预测结果的精确性,并能给出预测结果的置信区间。最后以NASA艾姆斯中心锂离子电池试验数据为例,验证了该方法的有效性。     

基于小波-卡尔曼的语音增强方法研究

提出了一种基于小波变换和卡尔曼滤波相结合的语音增强方法,这样既保留了小波变换对自相似过程的去相关作用和多分辨分析的功能,同时又保持了卡尔曼滤波器对未知信号的线性无偏最小方差估计的特点,可以有效地减小非平稳噪声;并引入基于声学模型的感知滤波器,以提高语音信号的可懂度。实验证明该方法对于低信噪比的有色噪声干扰条件下的语音信号的增强效果要优于一般的语音增强系统。     

常用非线性滤波方法比较研究

几乎所有的现实系统都是非线性的,因而非线性估计问题显得尤为重要.通过分析3种常用的非线性滤波器:扩展卡尔曼滤波器、Unscented卡尔曼滤波器以及粒子滤波器的原理,确定其适用性.用单变量非平稳模型及再入目标跟踪模型,通过Monte-Carlo仿真计算估计的均方误差及时耗,进而对上述3种滤波器滤波精度、一致性以及运算量进行比较.     

基于LMS自适应滤波的耳语音增强的研究

文中针对带噪的耳语音提出了一种LMS自适应滤波的耳语音增强算法。首先采用谱减法得到一个增强耳语音信号，取得较好的谱包络后对增强信号进行LMS自适应滤波，消除由谱减法产生的音乐噪声。结果表明，采集到的耳语音信号的质量得到明显提高，即使在低信噪比的情况下，信噪比也能提高20dB左右。     

基于子带卡尔曼滤波的语音增强方法

与基于短时谱的语音增强方法相比,卡尔曼滤波的语音增强方法是基于语音生成模型的增强方法,这种基于模型的递推计算,导致卡尔曼滤波时的计算量很大.为了减少卡尔曼滤波的计算量,本文给出一种基于子带卡尔曼滤波的语音增强方法.先将带噪语音分解成子带信号,并通过子带频域谱减后估计低阶AR模犁参数,然后利用卡尔曼滤波对子带信号进行滤波,最后由滤波后的子带信号重构全带语音信号,实现语音增强.实验表明该方法在提高语音质量的同时,通过子带分解降低了卡尔曼滤波的模型阶数,明显减少了语音增强系统的计算量,更容易实时实现.     

基于自适应无迹粒子滤波的目标跟踪算法

为解决复杂场景中目标跟踪问题,提出了一种噪声未知情况下的自适应无迹粒子滤波(A-UPF)算法。算法采用改进的Sage-Husa估计器对系统未知噪声的统计特性进行实时估计和修正,并与无迹Kalman粒子滤波器相结合产生优选的建议分布函数,降低系统估计误差的同时有效提升了系统的抗噪声能力。实验结果表明,本文方法对于复杂条件下的目标跟踪问题具有较高的精度和较强的鲁棒性。     

基于无味粒子滤波的动态场景下高机动目标跟踪

针对传统粒子滤波的目标跟踪算法存在粒子退化问题,提出了基于无味粒子滤波(UPF)的目标跟踪算法。为了将当前观测信息融入,采用无味卡尔曼滤波(UKF)生成粒子滤波的提议分布,以改善滤波效果。针对目标在机动过程中引起的视觉形变以及背景的变化,又采用了颜色直方图作为目标的颜色分布模型,并与UPF相融合。仿真结果表明,该算法对动态场景下的高机动目标有较好的跟踪效果。     

Tracking application about singer model based on marginalized particle filter

This article deals with the problem of maneuvering target tracking which results in a mixed linear/non-linear model estimation problem.For maneuvering tracking system,extended Kalman filter (EKF) or particle filter (PF) is traditionally used to estimate the states.In this article,marginalized particle filter (MPF) is presented for application in a mixed linear/non-linear model estimation problem.MPF is a combination of Kalman filter (KF) and PF.So it holds both advantage of them and can be used for mixed linear/non-linear substructure,where the conditionally linear states are estimated using KF and the nonlinear states are estimated using PF.Simulation results show that MPF guarantees the estimation accuracy and alleviates the potential computational burden problem compared with PF and EKF in maneuvering target tracking application.     

基于粒子滤波的机载目标跟踪系统设计

基于微小型机载成像跟踪系统设计思想及需求,设计并实现了以高性能的DSP芯片TMS320-DM642为核心处理器,结合可编程逻辑器件CPLD和FPGA的实时图像跟踪处理平台。平台采用基于粒子滤波的目标跟踪算法,实现对目标的实时跟踪。采用卡尔曼滤波器,提高了粒子的利用效率,在改进了算法实时性的同时解决了图像跟踪系统的延时性问题,提高了跟踪系统的稳定性。算法仿真结果表明,与传统相关匹配算法相比,基于粒子滤波的跟踪算法具有更好的鲁棒性和实时性,能满足机载成像跟踪系统实时图像跟踪的要求。     

基于粒子滤波的弹道目标跟踪

弹道目标再入段的运动受到空气阻力、重力等力的影响,具有明显的非线性特征.传统的卡尔曼滤波是线性、高斯问题的最优滤波器,但无法处理非线性的估计问题.扩展卡尔曼滤波利用泰勒级数展开把非线性方程线性化,是解决非线性估计问题的有效算法;而近些年来出现的粒子滤波以其解决非线性问题的卓越性能,得到了迅速发展.文章对弹道目标再入段的运动特征进行研究,建立了目标的状态空间模型,并应用扩展卡尔曼滤波和粒子滤波实现了对弹道目标的跟踪.通过比较仿真结果,证明粒子滤波比扩展卡尔曼滤波精度更高,对噪声的抑制能力更强,也更稳定.因而具有重大的研究意义.     

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。     

基于信号子空间的语音增强方法

基于子空间的语音增强算法不同于基于信号处理和统计估计的经典语音增强算法,其核心思想就是将带噪语音信号映射到信号子空间和噪声子空间中,并在信号子空间中估计原始信号。本文提出的算法是以线性代数和矩阵分析为基础,利用对语音信号和噪声协方差矩阵同时对角变换的条件,对混有加性白噪声和粉红噪声的语音信号进行增强处理。经过实验分析及与传统的语音增强算法相比较,语音失真较小,增强效果较好,能够在极大限度地抑制背景噪声的同时减少频谱失真和残余噪声。     

一种基于改进的谱减法的语音增强算法

为改善语音质量,提高语音识别系统的性能,提出了一种新的基于改进的谱减法的语音增强算法。新算法在所有噪声都能转化为加性高斯白噪声的基础上,依据高斯白噪声幅度谱服从瑞利分布的特点,对噪声幅度谱进行精确的估计,并采用频带方差进行端点检测以及时检出语音。仿真分析表明：该方法能够较好地抑制噪声,噪声消除效果较传统算法具有明显的提高。     

基于独立成分分析的双麦克阵列语音增强算法

提出了利用频域的独立成分分析（Independent components analysis）算法分离语音信号和噪声信号,达到抑制噪声的效果.并且,针对ICA算法在噪声源集中的环境中效果较好,在噪声源分散的环境中性能有所退化的情况,基于时域带噪信号的ICA算法提出频域带噪信号的ICA算法.最后利用最小均方误差估计谱幅度算法（Minimum mean square error）去除残留噪声,达到较好的语音增强效果.通过大量的实验数据测试,文中提出的基于ICA和MMSE短时谱幅度估计的双麦克语音增强算法在不同信噪比（Signal to Noise Ratio）下,都取得了良好的降噪效果.