基于多窗谱估计的改进谱减法

在各种语音增强法中,谱减法以其简单、有效而被广泛应用。在谱减法中,一般使用周期图法对语音信号进行功率谱估计,但是它的估计偏差以及方差较大,直接结果是引起了较大的音乐噪声。而多窗谱(multitaper)估计具有较小的估计偏差和方差。因此,使用基于多窗谱估计的改进谱减法可以有效降低音乐噪声。实验结果证明,在相同实验条件下,该方法得到的增强语音中的音乐噪声要明显小于使用周期图法的结果,且信噪比可提高1~2 dB。     

低信噪比下的语音端点检测算法研究

为了解决传统方法在强噪声环境下,语音检测性能急剧下降的缺陷,提高信号在低信噪比(0 db以下)语音端点检测的准确性,本文提出了一种将多窗谱估计谱减法和自适应子带能熵比相结合的检测算法.该算法利用增益因子可变的多窗谱估计谱减法对低信噪比信号进行降噪,提高其信号的信噪比,再将每帧信号分为若干个子带(其数量可自适应选择),提取每个子带能熵比参数进行端点检测.实验结果表明,当信噪比为-10 db时,信号检测准确性维持在95％左右.该方法能在低信噪比情况下,显著提高端点检测准确性和可靠性.     

基于多正弦窗谱估计的改进谱减法语音增强

采用运算简单、实时性好、改进的功率谱减法对带噪语音进行增强。鉴于谱减法的特点,文中采用了多正弦窗谱估计对功率谱进行估计。多正弦窗谱估计是一种非参数的现代谱估计方法,与周期图法相比,谱估计偏差和方差更小,可以得到效果更好的增强语音。分别对周期图法、多窗谱法及多正弦窗谱法的增强效果进行了比较。实验结果表明,语音在多正弦窗谱法增强后,分段信噪比最高,且没有因为谱减产生的音乐噪声,主观听觉效果最好。多正弦窗谱估计对输入信噪比较低的含噪语音增强效果非常好。     

低信噪比环境下改进的倒谱距离语音端点检测算法

在强背景噪声的情况下,针对传统倒谱距离法端点检测难以判断语音段起止点的问题,提出了一种基于多窗谱估计的谱减法与改进的倒谱距离语音端点检测新方法.首先对每一帧带噪信号进行多窗谱估计得到平滑功率谱,提取前导无话段平均功率谱,再利用谱减法对带噪语音信号进行减噪处理,对语音的减噪是为了更好地进行下一步的端点检测,然后对传统的倒谱距离门限阈值进行改进,得到一种改进的自适应阈值,并结合倒谱距离法进行端点检测.通过仿真实验结果表明,与传统倒谱距离端点检测算法相比,本文方法提高了低信噪比语音端点检测的精度,具有良好的鲁棒性能.     

基于改进谱减法的语音增强

针对传统谱减法具有残余音乐噪声过强,清音部分损失严重的缺点,提出了一种利用语音信号的短时平均幅度差特征（AMDF）并结合短时平均幅度（AM）的语音检测算法,在原始语音估计式中引入了参数α和β,对传统的谱减法进行改进。根据采集的真实带噪语音数据,将传统谱减法和改进的谱减法结果进行了比较分析。在研究基于改进的谱减法的语音增强算法基础上,构建了以TMS320VC5509和TLV320AIC23 Codec为核心器件的实时系统,能够有效地提高语音信噪比．信号的信噪比由12．2dB提高到了4．0dB．改善了语音质量。     

基于改进谱减法的语音增强

针对传统谱减法具有残余音乐噪声过强,清音部分损失严重的缺点,提出了一种利用语音信号的短时平均幅度差特征(AMDF)并结合短时平均幅度(AM)的语音检测算法,在原始语音估计式中引入了参数α和β,对传统的谱减法进行改进.根据采集的真实带噪语音数据,将传统谱减法和改进的谱减法结果进行了比较分析.在研究基于改进的谱减法的语音增强算法基础上,构建了以TMS320VC5509和TLV320A1C23 Codec为核心器件的实时系统,能够有效地提高语音信噪比,信号的信噪比由12.2 dB提高到了4.0 dB,改善了语音质量.     

基于听觉掩蔽效应和噪声估计的语音增强算法

谱减法在增强语音、提高信噪比的同时,残留的音乐噪声较大.在利用听觉掩蔽闻值对谱减系数进行修正的基础上,采用实时噪声估计来减少谱减法噪声估计误差,并对谱减后的语音信号进行感知滤波来进一步抑制残留音乐噪声.实验结果表明,该算法能去除噪声,增强语音,并在不影响信噪比的同时降低语音失真测度值.主观测听表明语音音质有明显提高.     

非平稳环境下基于人耳听觉掩蔽特性的语音增强

传统的语音增强算法往往仅对平稳噪声或缓慢变化的噪声有效,且残留的音乐噪声较大。对此,本文研究了一种非平稳环境下基于听觉掩蔽效应的语音增强算法。该算法对传统谱减法的功率谱估计算法进行改进,根据最小均方误差原则和语音信号的听觉掩蔽阈值调整功率谱估计的参数,并引入了基于最小值统计特性的噪声估计算法,使估计的噪声更好地跟踪噪声的变化。实验结果表明:该算法对平稳和非平稳的噪声都得到较好的增强效果,且较好地抑制了音乐噪声。     

改进的基于语音存在概率的噪声功率谱估计算法

噪声功率谱估计是语音增强算法中的关键技术之一.针对在非平稳噪声环境下噪声功率谱估计不够准确的问题,采用了基于后验语音存在概率的噪声功率谱估计算法,并对其中的语音存在概率估计算法进行了改进.利用语音信号的短时平稳性,在时域和频域上利用相邻帧和相邻频点的相关性估计当前帧的语音存在概率.仿真结果表明,该算法与原始算法及改进的最小值控制递归平均噪声估计(IMCRA)算法相比,能够有效提升非稳态噪声环境下噪声功率谱估计准确度和语音增强效果.     

改进的基于人耳掩蔽效应谱减语音增强算法

提出一种谱估计中的平滑系数自适应变化的新算法,该算法利用人耳掩蔽特性改进语音最小均方误差的对数谱估计增益和无语音概率(SAP)参数,并且利用改进后的SAP参数自适应地调节平滑系数,以求随着不同噪声环境的变化在去噪度、残留音乐噪声和语音畸变度之间自适应地折中.实验表明新算法相对于其他谱减法在相同的去噪度下,语音畸变度最小且几乎察觉不到音乐噪声.特别是在低信噪比的环境下,相对其他谱减法的优势更显著.     

基于多带谱相减的语音端点检测算法

为了提高噪声环境下语音端点检测的鲁棒性，介绍了一种基于多带谱相减的语音端点检测算法．仿真结果表明，与传统的基于短时能量，过零率语音端点检测算法相比，在低信噪比环境下，该算法仍可以有效的检测出起止端点．     

频域内的卡尔曼滤波语音增强算法

提出了在频域内实现的卡尔曼滤波算法,该算法利用语音和噪声幅度谱的时变特性,先对语音幅度谱进行初步修正,提取较为准确的LPC系数,然后在每一频率点下对语音幅度用卡尔曼滤波进行递推估计,最终得到效果更好的增强语音.实验结果表明,本文算法有效地提高了增强语音的SNR,尤其是在高信噪比的情况下,效果更加明显.     

一种基于分类搜索的Gold误码修正算法

扩频系统侦察对抗时,在低信噪比下估计得到的扩频码存在严重误码,会影响信号解扩解调质量.通过Gold码与其对应m序列优选对的基本特性结合互相关函数特征,提出了一种严格的Gold码分类,并得出一种基于分类搜索的误码修正算法,通过比较待测Gold码与各类样本Gold码互相关函数的三值分布特性,可以快速搜索准确定位到正确的Gold码,实现误码完全修正.当Gold码的误码率不高于11%时,算法可实现对误码的完全修正,能有效降低扩频信号盲处理的信噪比门限.     

引入幅度谱裁剪的语音增强算法

基于短时傅里叶变换的各种语音增强算法兼具效果良好及计算复杂度低的优点,得到广泛应用。这类算法利用功率谱进行计算,功率谱由幅度谱直接平方获得。本文提出一种通过裁剪幅度谱,以修正功率谱,提高语音存在处相对于噪声处的信噪比比值（信噪比对比度）,从而恢复低信噪比语音的思路。将通过裁剪算法修正得到的功率谱用于基于短时傅里叶变换的语音增强算法,对于信噪比较低的语音位置,可以得到更好的增强效果。裁剪算法通过对小于一定阈值的幅度谱进行一定程度的衰减,再重新计算功率谱,使得能量高的位置的信噪比与能量低的位置信噪比的比值（信噪比对比度）得到提高,也就提高了能量高位置与能量低位置的区分度,有利于后续算法更准确地将高能量位置更准确地恢复出来。在时频域中,高能量位置通常代表着语音存在位置。添加幅度谱裁剪算法,能量高的位置被突出,也可以说是语音存在处被突出,故而可以获得更好的增强效果。文章最后给出了实验对比结果,语谱图及PESQ得分的对比结果,显示裁剪算法是有效的。      

基于稀疏性的相位谱补偿语音增强算法

相位谱补偿语音增强算法通过调整相位谱对噪声进行压缩,提高重构信号的质量。针对传统的相位谱补偿(phase spectrum compensation, PSC)语音增强算法采用固定的相位补偿因子,且算法的性能易受噪声估计准确性的影响,提出了一种基于稀疏性的相位谱补偿(sparsity-based phase spectrum compensation, SPSC)语音增强算法。首先,利用噪声估计算法得到噪声幅度谱,利用基于幅度谱的语音增强算法得到目标语音幅度谱;接着,通过噪声和目标语音幅度谱之间的局部信噪比(Signal-to-Noise Ratio, SNR)来估计谱时间稀疏性;然后,利用sigmoid函数改进相位补偿因子,联合补偿因子和谱时间稀疏性,得到SPSC函数。最后,使用SPSC函数对相位谱中的谱分量进行补偿,通过短时傅里叶逆变换得到最终增强后的语音信号。仿真实验表明,在四种不同背景噪声的低信噪比下,新的相位谱补偿算法使增强语音获得了更好的LSD、PESQ和segSNR指标,说明新的算法在低信噪比下,可以有效恢复带噪语音中的语音成分,对噪声抑制效果明显,增强语音的质量和听感均有一定提升。      

一种低信噪比语音的增强算法

为改善低信噪比环境下语音的质量,论文提出了一种新的语音增强算法。算法首先根据噪声频谱的高斯统计模型得到用先验信噪比形式表示的噪声频谱估计值,然后利用帧内、帧间平滑算法估计每一个频点的先验信噪比,从而能够更好地跟踪先验信噪比的变化。算法接着引入一种简便的估计语音在每一个频点出现概率的方法,得出一种新的语音增强算法。客观测试和非正式听音测试表明:该算法在几乎不损伤语音清晰度的前提下,能够更好地抑制低信噪比语音增强所产生的音乐噪声,同时使语音信噪比得到了明显提高。     

利用频谱排序和筛选的突变噪声快速估计

针对最小值控制递归平均(Minima Controlled Recursive Averaging,MCRA)算法不能快速跟踪突变噪声的问题,提出了一种基于频谱排序和筛选的突变噪声快速估计方法。该方法在MCRA算法的基础上对带噪语音的功率谱进行排序,筛选出不含语音信号的频点来估计噪声的平均功率谱;当检测到噪声突变时,对当前的平滑参数和状态变量进行校正。仿真结果表明,该方法可以将突变噪声的跟踪时间缩短90%以上;用于语音降噪处理时,音质可以提升约0.4分。该方法具有一定的工程应用价值。     

A combined multi-channel Wiener filter-based noise reduction and dynamic range compression in hearing aids

Noise reduction (NR) and dynamic range compression (DRC) are basic components in hearing aids, but generally these components are developed and evaluated independently of each other. Hearing aids typically use a serial concatenation of NR and DRC. However, the DRC in such a concatenation negatively affects the performance of the NR stage: the residual noise after NR receives more amplification compared to the speech, resulting in a signal-to-noise-ratio (SNR) degradation. The integration of NR and DRC has not received a lot of attention so far. In this paper, a multi-channel Wiener filter (MWF)-based approach is presented for speech and noise scenarios, where an MWF-based NR algorithm is combined with DRC. The proposed solution is based on modifying the MWF and the DRC to incorporate the conditional speech presence probability in order to avoid residual noise amplification. The goal is then to analyse any undesired interaction effects by means of objective measures. Experimental results indeed confirm that a serial concatenation of NR and DRC degrades the SNR improvement provided by the NR, whereas the combined approach proposed here shows less degradation of the SNR improvement at a low increase in distortion compared to a serial concatenation.     

低信噪比下基于FastIca和MMSE-LSA的语音识别

针对在低信噪比环境下语音识别率较低的问题,提出了一种基于FastIca和MMSE-LSA相结合的算法。首先,用FastIca对低信噪比语音进行语音提取,再使用MMSE-LSA方法处理得到信噪比改善的语音信号。用0~9十个数字做孤立词语音识别。仿真实验证明,用本算法增强后的语音识别率达到80%以上,可以有效地提高低信噪比环境下语音识别率。     

融合统计模型与EMD的宽带话音增强方法

提出了一种融合统计模型和经验模态分解(EMD)的宽带话音增强方法。该方法首先用统计模型增强算法消除含噪话音中的主要噪声成分,然后用一种基于活动话音检测(VAD)的EMD增强算法做后处理进一步抑制残留噪声,从而使以上2种方法的优点有效地结合。在ITU-T G.160标准下对算法进行了性能测试,测试结果表明,与经典的统计模型方法相比,在不同强度的背景噪声下,增强话音的信噪比提高都较为明显。同时,在低信噪比情况下,该方法能有效抑制增强话音高频部分的音乐噪声,提高了听觉舒适度。