一种空域、时域与频域相结合的阵列语音增强算法

提出了一种空域、时域与频域相结合的阵列语音增强算法,对含噪信号进行处理：第一步,先在空域及时域内利用波束形成得到一个初步增强的语音信号;第二步,利用前面得到的增强信号,在时域内采用多通道自适应滤波消除相关噪声;第三步,在频域内利用谱相减消除残余噪声。整个算法的消噪量大,而且阵列的孔径小,能应用于多种噪声环境。     

基于MVDR算法的频控阵雷达干扰抑制方法北大核心CSCD

为提高频控阵雷达的抗干扰能力,针对基于最小方差无失真响应(MVDR)波束形成算法的频控阵雷达干扰抑制方法进行了研究。首先,构建了频控阵阵列系统的信号模型,基于信号模型推导了基于频控阵的MVDR波束形成算法;然后,将传统相控阵中的MVDR波束形成算法应用到频控阵当中;最后,通过仿真分析了MVDR波束形成算法的抗干扰能力。仿真结果表明:采用MVDR波束形成算法能够实现目标位置增益最大;此外,信号输出信噪比随输入信噪比的增大而逐渐增大。文中研究能有效提高频控阵雷达在距离与角度维度的抗干扰能力,对于提升雷达检测系统的性能具有重要意义。     

谱相减与波束形成相结合的语音增强算法

根据阵列信号语音增强的思想,提出一种基于频城处理的谱相减与波束形成相结合的语音增强结构。结构为多路信号输入,每路含噪信号在谱相减后,增加了波束形成结构,不仅有效地消除了背景噪声,也抑制了谱相减后的音乐噪声。并使用该算法对实际环境中采集到的含噪语音信号进行了仿真,结果显示经过该系统处理后的增强语音的信噪比有了较大的提高,主观试听效果也很好。     

复广义高斯分布多通道最大似然联合去噪去混响波束形成器

提出了一种基于复超高斯分布的多通道联合去噪去混响波束形成器。本文采用复超高斯模型对语音信号建模,在最大似然准则下首次推导出联合去噪去混响波束形成器的解析表达式,并证明了该式是现有多种联合去噪去混响波束形成器的一般化形式。同时通过理论推导证明本文所提算法性能优于传统多通道预测误差算法级联最小功率无失真波束形成器。仿真实验与实际实验结果均表明,本文提出的算法在多个客观指标上明显优于现有联合去噪去混响算法。      

基于聚焦信号子空间估计导向矢量的干扰声源抑制方法

针对最小方差无失真响应（Minimum Variance Distortionless Response,MVDR）波束形成器对导向矢量失配较敏感的问题,本文提出了一种有效的干扰声源抑制方法 .该方法首先将语音信号的频带划分为多个子带,通过聚焦信号子空间方法估计各子带的声源到达方向（Direction of Arrival,DOA）,并采用统计直方图估计各声源的初始DOA;其次,为了减小导向矢量失配,利用声源的空间稀疏性,通过Capon功率构建目标声源导向矢量估计的代价函数,约束目标声源导向矢量远离干扰声源空间;最后,根据估计的导向矢量,估计干扰声源加噪声协方差矩阵,以获得MVDR波束形成器的权重.基于TIMIT语料库的实验结果证明,提出的干扰声源抑制方法的输出信干噪比（SINR）及语音质量感知评价（PESQ）优于参考方法,具有更佳的抗导向矢量失配性能.     

传声器阵列空间维纳滤波语音增强方法的研究

传声器阵列在语音增强中得到了普遍应用。通常时域或频域的维纳滤波方法是作为一种后处理方法在阵列波束形成之后单独使用。从空间滤波的思路出发分析并介绍了传声器阵列的空间维纳滤波的方法,并通过实验证明了空间滤波语音增强方法同时具备了MVDR波束形成及频域维纳滤波的优点。     

数字信号处理中MUSIC方法的新教学思路

多重信号分类MUSIC算法是基于信号与噪声子空间正交性的一种超分辨谱估计方法.自适应波束形成技术则是通过在干扰信号波达方向上置零来实现输出信干噪比最大化.通过在所有感兴趣波达方向上扫描,波束形成器也可以用来实现波达方向估计.MUSIC算法和波束形成技术的原理看似不同.然而,有文献表明,MUSIC算法可被表示为一个波束形成器.基于这一事实,在本文中,我们首先介绍了MUSIC算法和最小无失真响应波束形成技术MVDR的原理.然后,给出MUSIC算法和MVDR波束形成器的等价表示形式.最后,将MUSIC算法与MVDR波束形成器进行比较.通过上述内容的讲解,可以使学生获得关于MUSIC算法新的认识.     

一种用于语音增强的卷积门控循环网络

为了充分利用含噪语音特征来提高语音增强网络的性能,基于含噪语音在时间和频率两个维度上的相关性,本文结合卷积神经网络的局部特征提取能力和门控循环单元的长期依赖建模能力,设计了一种适用于语音增强的卷积门控循环网络.该网络采用卷积网络结构代替全连接网络结构来改进门控循环单元中的特征计算过程,从而能够更好地保留含噪语音特征中的时频结构信息.实验结果表明,与其它语音增强网络相比,本文网络在语音成分的保留和噪声成分的抑制上具有明显优势,增强后语音具有更好的语音质量和可懂度.     

基于稀疏约束和SRV约束的宽带自适应波束形成

针对传统的宽带MVDR自适应波束形成中,抑制干扰的同时会抬高旁瓣电平,且过多的线性约束会导致波束输出的SINR性能下降的问题,提出了一种基于SRV约束和稀疏约束的低旁瓣、高增益宽带自适应波束形成方法.该方法在窄带MVDR自适应波束形成基础上,通过增加波束图稀疏约束来降低波束的旁瓣电平,同时利用空间响应偏差(SRV)约束将窄带算法推广到宽带MVDR 自适应波束形成中,极大地降低了算法的复杂度,改善了波束输出的SINR 性能.与传统方法相比,该方法在降低宽带波束的旁瓣电平的同时,还具有良好的干扰抑制效果.数值仿真实验验证了该方法的有效性.     

基于特征空间逼近的传声器阵列语音信号增强

对现有的基于自动波束形成的传声器阵列语音信号增强算法提出了改进,将各传声器采集到的信号利用ABF(自适应波束形成)进行延时补偿并求和,消除信号中弱相干和不相干噪声;再利用特征空间逼近的方法进一步去除残留的噪声。将一种定阶方法应用到基于特征空间分解的语音信号增强中,利用其“最大稳定”原理,使得有效信号模型的阶数尽可能不受原始信号信噪比的影响,消除了传统定阶过程中的随意性和不稳定性。仿真结果表明:把自适应波束形成技术和特征空间逼近的方法结合起来,能够取得良好的去噪效果。     

一种基于语音图信号处理的端点检测方法

本文通过将语音信号处理与图信号处理相结合,为语音样点构建出一种基于遗忘因子的遗忘图拓扑结构,利用基于遗忘图拓扑结构的图邻接矩阵所定义的图傅里叶变换（Graph Fourier Transform, GFT）,研究语音图信号的图频域特性。并在此研究基础上,本文将基于自适应子带谱熵（Adaptive Band-partitioning Spectral Entropy, ABSE）算法的端点检测方法拓展至图频域,设计了一种图自适应子带谱熵（Graph Adaptive Band-partitioning Spectral Entropy, GABSE）算法。实验表明,本文所提出的基于遗忘图的GABSE算法可以使得语音段与非语音段谱熵差异更加显著,较传统ABSE算法端点检测及rVAD语音端点检测方法正确率提高了10%~20%,同时也验证了此语音遗忘图结构有效性。      

一种近场环境下的麦克风阵列语音增强方法

针对语音源位于阵列近场而干扰噪声源位于阵列远场的声学环境,本文提出了一种基于近场双自适应波束形成的麦克风阵列语音增强方法。该方法利用近场声波波前的特点,主通道采用最小方差无失真响应准则的近场优化波束形成器,辅助通道采用双自适应波束形成技术,从而有效地抑制了混响和噪声对语音信号的影响。仿真实验结果表明,在房间混响条件下,本文方法具有良好的噪声抑制性能。     

一种改进的奇异值分解语音增强方法

该文将多麦克语音增强方法用于单麦克语音增强,给出了一种改进的奇异值分解语音增强方法。该方法首先对输入矩阵进行雅克比奇异值分解,用得到的奇异值矢量构造语音增强滤波器;然后用输入矩阵与滤波器权矢量相乘来构造各路信号;最后采用麦克风阵列波束形成的方法,得到增强后的语音信号。仿真结果表明,该方法能有效地去除加性噪声,并且改善了语音质量。     

基于时频注意力机制与U-Net的骨导语音鲁棒增强方法

近年来,基于神经网络的方法大量应用于骨导语音增强中。然而,由于骨导数据集样本较少,骨导语音高频部分缺失,不同说话人高频部分失真程度不同,神经网络难以有效学习骨导语音的频谱特征。因此,现有骨导语音增强模型对于未知说话人骨导语音数据集增强效果不佳、鲁棒性不强。为充分利用骨导语音的时频信息,引导模型关注骨导语音的低频部分特征,提出一种基于时频注意力机制和U-Net的骨导语音增强方法。该方法将时频注意力机制引入U-Net结构中,首先根据骨导语音时间、频率方向特征信息的重要程度自动为其分配权重,而后以加权后的骨导语音谱作为输入,对应的气导语音谱作为目标进入U-Net结构训练,最后利用训练完成的增强模型重构骨导语音全频带的语音。仿真实验与可视化分析结果表明,对比基线U-Net结构与其他注意力机制,该方法对于未知说话人骨导语音数据集能够取得更高的PESQ和STOI客观评价指标,增强语音更加清晰。     

Beamforming using the fractional Fourier transform

We present a new method of beamforming using the fractional Fourier transform (FrFT). This method encompasses the conventional minimum mean-squared error (MMSE) beamforming in the frequency domain or spatial domain as special cases. It is especially useful for applications involving chirp signals such as signal enhancement problems with accelerating sinusoidal sources where the Doppler effect generates chirp signals and a frequency shift and active radar problems where chirp signals are transmitted. Numerical examples demonstrate the potential advantage of the proposed method over the ordinary frequency or spatial domain beamforming for a moving source scenario.     

基于改进不确定集的稳健波束形成算法

基于不确定集约束的稳健MVDR波束形成算法在一定程度上依赖于期望信号导向矢量误差的先验知识,且当导向矢量失配较严重时干扰抑制性能也有所下降。为此,提出了一种基于投影变换的改进算法。该方法将约束方向矢量向信号干扰子空间投影,并作为新的约束方向矢量,从而等效于减小了期望信号导向矢量误差。这样,误差不确定参数只需设置为一较小的实数即可在任意导向矢量失配时获得最优的输出性能。计算机仿真结果证明了所提波束形成器具有较强的稳健性能。     

利用稀疏贝叶斯推理估计干扰导向矢量和功率的稳健自适应波束形成方法

现有稳健自适应波束形成（Robust adaptive beamforming,RAB）方法对快拍数有较高要求，可用快拍数的不足可能会使RAB方法无效。稀疏贝叶斯推理（Sparse Bayesian Inference,SBI）从贝叶斯的角度，通过对信号的稀疏先验假设来利用稀疏信息，在建模稀疏信号方面具有较好的灵活性，可以提高解的稀疏性，即使在样本数较低的情况下也能取得很好的估计效果。本文使用SBI估计干扰信号的导向矢量和功率，提出了一种新颖的基于干扰加噪声协方差矩阵（Interference plus Noise Covariance Matrix,INCM）重建的RAB方法。所提方法利用SBI在建模稀疏信号方面的优越性，通过准确重建出INCM，实现高输出SINR。仿真结果表明，本文提出的方法在比较宽的输入SNR范围内和少量快拍情况下都实现了较好的性能。     

最小方差无失真响应波束形成解卷积后处理算法

为提高最小方差无失真响应(Minimum Variance Distortionless Response,MVDR)波束形成算法的方位分辨能力,本文将MVDR算法的输出功率谱重新建模为卷积的形式,并运用两种解卷积技术对MVDR的方位谱进行后处理.该算法将角度空间中心位置的单个声源的MVDR方位谱当作点扩散函数(Poi...     

一种稳健的低旁瓣波束形成技术

为了更好地抑制来自非期望方向的信号,波束形成器形成较低的旁瓣以抑制干扰。针对传统的最小方差无畸变响应(MVDR)波束形成器抑制干扰性能不稳健的缺点,提出了一种自适应MVDR波束形成方法。该算法通过对已形成波束图搜索极值点,排序取次大值即最高旁瓣,将其对应方向增加到"零陷"方向组,不断迭代以降低旁瓣级。结合均匀半圆阵所作的计算机仿真验证了该方法的正确性和有效性。     

基于波束形成的长短时记忆网络语音分离算法研究

在利用深度学习方式进行语音分离的领域,常用卷积神经网络(RNN)循环神经网络进行语音分离,但是该网络模型在分离过程中存在梯度下降问题,分离结果不理想。针对该问题,该文利用长短时记忆网络(LSTM)进行信号分离探索,弥补了RNN网络的不足。多路人声信号分离较为复杂,现阶段所使用的分离方式多是基于频谱映射方式,没有有效利用语音信号空间信息。针对此问题,该文结合波束形成算法和LSTM网络提出了一种波束形成LSTM算法,在TIMIT语音库中随机选取3个说话人的声音文件,利用超指向波束形成算法得到3个不同方向上的波束,提取每一波束中频谱幅度特征,并构建神经网络预测掩蔽值,得到待分离语音信号频谱并重构时域信号,进而实现语音分离。该算法充分利用了语音信号空间特征和信号频域特征。通过实验验证了不同方向语音分离效果,在60°方向该算法与IBM-LSTM网络相比,客观语音质量评估(PESQ)提高了0.59,短时客观可懂(STOI)指标提高了0.06,信噪比(SNR)提高了1.13 dB,另外两个方向上,实验结果同样证明了该算法较IBM-LSTM算法和RNN算法具有更好的分离性能。