改进的基于信号子空间的多通道语音增强算法

通过同时对角化麦克风阵列接收信号中语音信号和噪声信号的全局协方差矩阵,本文改进了一种基于信号子空间分解的多通道语音增强算法.该算法不依赖任何信号模型且无需对噪声信号的统计特性进行任何先验假定,它弥补了原始算法只限于白噪声背景下语音增强的不足,实现了色噪声背景下语音信号的最优估计.仿真结果表明本文算法在主观和客观测试中都具有良好的语音增强效果.     

一种基于信号子空间和听觉掩蔽效应的语音增强方法

采用子空间分解法对噪声语音进行信号增强，并用基于Johnston听觉掩蔽模型的感知滤波器对增强后的信号频谱进行平滑以抑制背景音乐噪声。几种噪声背景下对增强语音的客观测试表明，与传统的信号子空间分解法相比，基于信号子空间和听觉掩蔽效应的方法可有效地减少语音信号的失真度。     

基于DCT与维纳滤波的单通道语音增强算法

针对复杂噪声背景下的语音增强问题,基于离散余弦变换(DCT)和维纳滤波提出了一种新的单通道语音增强算法。该算法不依赖任何语音信号模型且无需对噪声的统计特性进行先验假定,它利用DCT域中连续时刻语音信号分量间的相关特性结合最小均方误差算法实现纯净语音分量的最优估计,弥补了一般算法仅依赖单帧带噪语音对语音分量估计得不足。多种噪声背景下的仿真结果表明,该算法在主观和客观测试中都具有良好的语音增强效果。     

基于非负约束矩阵分解的语音增强算法研究

从噪声背景中提取尽可能纯净的语音信号，增强有用信号，抑制、降低噪声干扰的技术称为语音增强技术。语音增强有着广泛的应用，因此寻求一种有效的算法对带噪语音信号进行处理得到较纯净的原始语音信号的研究有着很大的意义。多年来很多经典的语音增强算法被提出，如谱减算法，子空间算法等。文章提出了一种新颖的语音增强方法，即基于非负低秩稀疏分解的原理在强噪声环境下实现语音增强。把语音信号和噪声信号看做是一个非负低秩稀疏分解问题并且不断的优化算法分离出语音信号和噪声信号的幅度谱。实验结果表明在强噪声环境下这种方法对比一些传统的语音增强方法效果更好，具有更少的噪声残余与较低的语音失真等优点     

联合投影逼近子空间跟踪的语音增强算法

本文提出一种联合投影逼近子空间跟踪(UPAST)的语音增强算法。本算法以投影逼近子空间跟踪算法为基础, 在无需对噪声进行任何假定(白噪声或是有色噪声)或近似且不需要任何语音活动检测的前提下,以递推更新的方式得到 语音信号和噪声信号协方差矩阵同时对角化的特征向量和特征值,因而运算复杂度低,实现了有色噪声背景下语音信号的 最优估计。主观和客观测试都表明本算法要优于其它子空间增强算法。     

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。     

语音增强技术在MELP声码器中的应用

为了使得MELP声码器在高噪声环境下仍然获得较好的语音效果,需对含噪声语音进行语音增强。本文采用谱减法和独立分量分析相结合方法,对语音进行增强。该方法可以在不增加语音采样硬件的条件下,满足独立分量分析中观测信号的数目不少于源信号数目的约束条件。结果表明,该方法能较好的分离出噪声和语音信号,增强输入到MELP声码器中的语音信号,提高MELP声码器在高噪声环境下应用的语音效果。     

基于随机共振的语音增强研究

传统的语音增强方法是通过线性过滤除噪声达到语音增强的目的,而在强噪声环境中,语音信号表现为弱信号．去噪变得困难,而随机共振能利用噪声增强语音信号。基于Hodgkin—Huxley神经元阈上非周期随机共振原理,提出一种自适应调节,添加最佳噪声来实现语音增强。实验结果表明,在强噪声能够实现对语音信号的增强,具有一定的鲁棒性,提供了在强噪声环境中增强语音信号的新思路。     

基于数据驱动字典和稀疏表示的语音增强

本文提出了一种基于数据驱动字典和过完备稀疏表示的自适应语音增强方法。首先在训练阶段采用干净语音基于K奇异值分解(K singular value decomposition, K SVD)算法训练过完备字典,然后在测试阶段根据含噪语音的噪声方差自适应选择最优的阈值,采用正交匹配追踪算法对含噪语音信号在过完备字典上进行稀疏分解,最后利用系数稀疏表示重构语音信号,从而达到语音增强的目。该方法不像传统语音增强方法那样减少或消去噪声,而是从字典中选取适当的原子表示纯净信号,从而把纯净信号从含噪信号中分离出来。对白噪声和有色噪声环境下重构语音进行了主客观评价。仿真结果显示:该方法能有效去除加性噪声,并且改善了语音质量。      

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。     

色噪声下基于白化频谱重排鲁棒主成分分析的语音增强算法

基于鲁棒主成分分析(RPCA)的单通道语音增强算法是高斯白噪声环境下语音增强的一种重要处理手段,但其对低秩语音分量处理效果欠佳且无法较好地抑制色噪声。针对此问题,该文提出一种基于白化频谱重排RPCA的改进语音增强算法(WSRRPCA),通过优化噪声白化模型,将色噪声语音增强转换成白噪声语音信号处理,利用频谱重排改进RPCA语音增强处理算法,从而获得色噪声环境下语音信号处理性能的整体提升。仿真实验表明,该算法能够较好地实现色噪声环境下的语音增强,且相对于其他算法具有更佳的噪声抑制和语音质量提升能力。     

Improved Speech Denoising Algorithm Based on Discrete Fractional Fourier Transform

The speech signal and noise signal are the typical non-stationary signals,however the speech signa is short-stationary synchronously.Presently,the denoising methods are always executed in frequency domain due to the short-time stationarity of the speech signal.In this article,an improved speech denoising algorithm based on discrete fractional Fourier transform（DFRFT）is pre sented.This algorithm contains linear optimal filtering and median filtering.The simulation shows that it can easily eliminate the noise compared to Wiener filtering improve the signal to noise ratio（SNR）,and enhance the original speech signal.     

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。     

基于小波变换的动态阈值法语音信号净化

语音信号实时去噪净化处理是语音通信系统的关键技术。传统的小波阈值去噪方法由于阈值的单一性,在去除噪声的同时,造成语音信号损伤。针对这一问题,提出了一种基于小波变换的动态阈值法语音信号净化方法。能根据噪声和信号的变化而动态调节阈值;采用改进的阈值函数对小波系数缓变地压缩,仿真实验结果表明,能有效去除信号中的噪声和较好保留语音细节。     

基于小波包变换的多阈值法语音信号去噪净化

文中在小波包变换和传统阈值法的基础上,提出了一种基于小波包变换的多尺度多阈值语音信号去噪净化方法。采用小波包分解,克服了传统的正交小波变换的缺陷。采用多尺度多阈值方法,通过改进噪声方差估计方法,在去噪的同时,进一步提高信噪比。仿真实验结果表明,本方法能有效去除信号中的噪声和较好保留语音细节,达到更佳的语音净化效果。     

基于改进阈值函数的小波包语音增强算法的研究

基于小波分析的阈值语音信号去噪技术是语音信号处理的一个重要热点技术,由于语音信号的非平稳性,传统的小波阈值去噪算法虽然能够衰减一部分语音信号中的噪声,但这些算法会不可避免地造成有用语音信号的损失。小波包可以同时对语音的低频和高频部分进行分解,能更好保留语音信息,减少噪声对语音的影响;同时,文中提出一种新的阈值函数,它对噪声清除得更加干净。仿真结果显示,该阈值函数较软、硬阈值函数具有明显的优越性。     

利用奇异谱分析的深度神经网络语音增强方法

针对现有深度神经网络语音增强方法对带噪语音的去噪能力有限、语音质量提升不高的问题，提出了一种基于奇异谱分析的深度神经网络语音增强方法。通过引入奇异谱分析算法对带噪语音进行预处理，以初步分离得到语音信号与噪声。接着将语音信号与噪声用于深度神经网络模型得训练，以得到性能更优的网络模型，从而使得本文方法具有更好的性能。最后在重建干净语音的环节中，同时使用神经网络估计得到的对数功率谱和带噪语音的对数功率谱，并加入了权重系数，使得本文提出的方法可以适应不同信噪比的情形，有效的去除背景噪声，降低语音信号的失真。本文通过仿真实验验证了该方法的有效性和鲁棒性。