基于改进ESPRIT算法的波达方向估计

把经典的波达方向估计算法应用于均匀圆阵智能天线是一个重要的研究课题。通过预处理技术把均匀圆阵转换成虚拟均匀线阵,为了解决噪声造成信号子空间的扰动问题,提出了两种总体最小二乘ESPRIT（TLS—ESPRIT）;为把ESPRIT算法应用于均匀圆阵,引入了模式空间的ESPRIT算法。通过建立恰当的数学模型,对上述各算法的均匀线阵和均匀圆阵上的性能进行仿真和对比分析。仿真结果证明,两种改进的算法性能均好于基本的ESPRIT算法。     

一种用于未知噪声背景中高分辨DOA估计的方法

本文基于噪声在空间有限范围内相关的假设，采用两个具有足够空间间距的阵列，应用正则相关分析原理，给出了一种未知噪声背景中有效地估计信号子空间的方法，并利用与TLS－ESPRIT相类似的算法进行了DOA估计，计算机模拟实验表明：该方法具有较好的方向估计性能。     

语音端点检测在实时语音截取中的应用

语音端点检测在语音识别系统中占有重要地位。针对在噪声多变的环境中实时截取完整语音信号存在困难,文章提出一种实时语音端点检测方法。该方法首先提取每帧信号的短时平均过零率与Mel频率倒谱系数;然后利用前N帧背景噪声的Mel频率倒谱系数对当前帧进行归一化,并以该特征矢量的L2范数作为另一特征;最后根据多特征分析对有效语音信号进行截取。实验结果表明,该方法在多变的噪声环境中,截取完整语音信号具有较高准确率。     

OFDM系统载频偏移的ESPRIT方法估计

分析了OFDM系统信号模型与经典ESPRIT方法所要求的观测向量之间的相合之处，给出了利用经典ESPRIT算法估计OFDM系统载频偏移的方法。然后尝试使用了一种经典ESPRIT算法（TLS—ESPVaT）估计载波频率偏移，仿真结果表明使用该方法比类ESPRIT算法具有更高的估计精度，证明了使用经典ESPRIT方法估计栽波频率偏移的可行性与有效性。     

基于信号相位差和后置滤波的语音增强方法

 在复杂的声学环境中,通常噪声场特性和混响强度是未知的,这样就对麦克风阵列语音增强算法的性能提出了较高的要求.本文提出一种基于带噪语音信号相位差和后置滤波的语音增强方法.首先,将麦克风阵列接收信号分帧,利用相邻两个麦克风之间每帧带噪语音信号的相位差,构成该帧改变频率点幅度谱值的比例系数,对该帧带噪语音信号进行掩蔽增强处理,得到预处理信号;然后利用固定波束形成、独立分量分析算法和后置滤波技术对预处理信号进一步处理,从而有效地抑制了噪声.计算机仿真实验结果表明,在存在一定混响的多种噪声场中,该方法均具有较好的噪声抑制能力.     

非高斯ARMA噪声中谐波恢复的杂交ESPRIT方法

本文研究非高斯ARMA噪声中的谐波恢复问题,提出了一种基于二阶和三阶统计量的杂交ESPRIT方法,该方法先估计噪声过程的AR部分参数,然后对观测值进行预滤波,最后估计谐波信号参量。模拟实验还验证了该方法的有效性和高分辨率。     

采用酉ESPRIT算法处理多基线InSAR层叠效应

层叠效应(Layover)是SAR成像技术的一个难点,本文在多基线InSAR的框架下,将谐波恢复与信号重构的酉ESPRIT算法应用于解决层叠效应问题。文中建立了存在层叠效应的多基线InSAR的数据模型,指出经典算法在估计精度与视数之间的矛盾,阐明了酉ESPRIT算法的基本原理与优点。进行了仿真实验,实验结果表明在视数较少时,酉ESPRIT算法具有很好的性能。     

基于压缩感知重构信号的说话人识别系统抗噪方法研究

基于语音信号在离散余弦基下的近似稀疏性,本文对语音信号采用压缩感知(Compressed Sensing)技术进行压缩和重构,即将语音信号投影到随机高斯观测矩阵,并采用线性规划(Linear Program)方法进行重构,研究了重构误差与观测矢量点数的关系,分析了噪声环境下重构信号的频谱变化情况。针对噪声环境下压缩感知重构信号比原始信号频谱变化小的特性,提出了一种基于压缩感知重构信号的说话人识别系统抗噪方法,给出了不同信噪比下获得最高识别率时压缩感知观测矢量的最佳点数。      

基于最小统计与MMSE—LSA的语音增强

提出了一种基于最小统计及短时对数谱幅度最小均方误差估计单通道语音增强算法,并在此基础上对其进行了修正。噪声功率谱估计不需要VAD进行有无语音的检测,并在每帧数据都进行更新,可跟踪变电平噪声。该算法在MMSE—LsA准则下得到谱增益函数,并考虑到纯净声音信号频谱特性,对增益函数进行了修正。实验结果表明,该算法可有效去除噪声,在消除音乐噪声的同时对语音信号产生很小的失真,并易于实时处理。     

基于近似KLT域的语音信号压缩感知

压缩感知是近年来兴起的研究热点,该文基于语音信号在KLT域的稀疏特性,提出了基于模板匹配的近似KLT,并在基于模板匹配近似KLT域上研究了语音信号的压缩感知性能。首先验证语音信号在基于模板匹配近似KLT域上的稀疏性,然后由语音信号与观测矩阵构造相应的观测,采取固定分配每帧观测个数和按帧能量自适应分配每帧观测个数两种方案,再以观测为已知条件利用L1优化算法重构语音信号在基于模板匹配近似KLT域的稀疏系数向量,进而重构原始语音信号。实验表明,语音信号在基于模板匹配的近似KLT域的压缩感知性能较好。     

Unvoiced/voiced classification and voiced harmonic parameters estimation using the third-order statistics

Unvoiced/voiced classification of speech is a challenging problem especially under conditions of low signal-to-noise ratio or the non-white-stationary noise environment. To solve this problem, an algorithm for speech classification, and a technique for the estimation of pairwise magnitude frequency in voiced speech are proposed. By using third order spectrum of speech signal to remove noise, in this algorithm the least spectrum difference to get refined pitch and the max harmonic number is given. And this algorithm utilizes spectral envelope to estimate signal-to-noise ratio of speech harmonics. Speech classification, voicing probability, and harmonic parameters of the voiced frame can be obtained. Simulation results indicate that the proposed algorithm, under complicated background noise, especially Gaussian noise, can effectively classify speech in high accuracy for voicing probability and the voiced parameters.     

基于动态谱估计的改进谱减语音增强算法

语音增强是语音信号处理的重要课题。根据基于最小值追踪的谱估计方法,提出了一种非平稳噪声环境下快速追踪噪声变化的方法,将其应用到改进后的谱减法中,以提升语音增强的效果。仿真结果表明,改进后的谱减法能有效降低背景噪声,提高输出语音信号的信噪比。     

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。     

基于参数估计和感知提升的语音增强降噪算法

为了提高单通道语音增强降噪算法的整体质量,该文从噪声消除和语音感知两个角度出发对传统语音增强算法进行改进,通过引入多种处理手段来达到最佳优化效果。首先在参数估计方面,把基于弱语音出现的平滑算法加入到基于固定先验信噪比的软判决方法中来解决噪声谱过估计问题,并根据语音帧存在概率动态调整平滑因子,从而提高先验信噪比的跟踪效果。其次在语音质量感知提升方面,采用谐波恢复的方法重建语音段的高频谐波分量,并采用相位补偿和增益平滑的方法消除静默段和语音段的音乐噪声。实验结果表明,相比传统算法,该文算法通过引入参数估计改进模块和感知质量提升模块,在消噪效果和语音质量两方面均得到了较大的提高,并适用于多类噪声环境和信噪比条件。     

基于加权噪声的递归平滑噪声功率谱估计

提出了一种噪声功率谱估计算法,该算法对加权后的带噪语音进行递归平滑,可以持续更新噪声并可应用于非平稳噪声环境中。为了避免在强语音后的弱语音区域出现噪声过估计,本文提出了用于计算加权函数的投影平滑算法。本文噪声估计算法可以快速跟踪噪声的变化并且没有过估计。实验结果表明,本文噪声估计算法应用于一个语音增强系统时,取得了较小的噪声分段估计误差及较好的感知语音质量评价(PESQ)得分。     

语音增强用于坦克驾驶舱内无线语音通信

讨论了一种基于传统谱相减算法的改进方法。利用语音的短时平稳性,通过先验幅度比来连续更新噪声谱的估计,从而代替复杂的VAD(话音活性检测)。计算机仿真结果表明,这种改进方法有效抑制了噪声干扰,语音得到了增强,在极大地提高信噪比的同时,将残留的音乐噪声和语音失真保持在人耳听觉容忍的范围以内,从而较好的保持了语音自然度。     

基于频带间相关性的加权噪声功率谱估计

噪声功率谱估计是语音增强系统的一个重要组成部分。本文在加权噪声估计的基础上,考虑了带噪语音在相邻频带间的相关性,提出了一种新的噪声功率谱估计算法。该算法保留了加权噪声估计算法的优点,利用频域平滑及时域平滑后的带噪语音来求加权因子,能够更好地区分弱语音与噪声,尤其是对强语音后的弱语音与噪声区分更明显,从而具有更快的跟踪速度及更少的噪声过估计。客观实验和主观实验都证实了本文提出的算法的有效性。     

Speech enhancement using constrained spectral amplitude subtraction based on noncausal a priori SNR

Two gain forms of spectral amplitude subtraction are derived theoretically without neglecting the correlation of speech and noise spectrum during the period of a fralne. In the implementation, the constrained gain is expressed as a function of noncausal a priori SNR （Signal-to-Noise Ratio）. Noise and noncausal a priori SNR are estimated from the multitaper spectrum of the noisy signal with algorithms modified to be suitable for the multitaper spectruln. Objective evaluations show that in case of white Gaussian noise the proposed method outperforms some methods based on LSA （Log Spectral Amplitude） in terms of MBSD （Modified Bark Spectral Distortion）, segmental SNR and overall SNR, and informal listening tests show that speech reconstructed in this way has little speech distortion and musical noise is nearly inaudible even at low SNR.     

扩频通信在强噪声环境中的应用

扩频通信是矿井等强噪声环境中最有效的通信方式。分析了传统通信方式在强噪声环境中存在的主要问题,介绍了扩频通信技术的抗干扰原理和特点,指出扩频抗干扰技术特别适用于强噪声环境,能降低通信系统对信噪比的高要求,克服机电噪声引起的抗干扰能力弱、通信质量差以及可靠性低等弱点。最后介绍了扩频码发生器及其相关特性。     

Properties of the maximum likelihood and pisarenko spectral estimates

The performance of the maximum likelihood spectral estimate is compared vis-à-vis the classical Bartlett spectrum. Asymptotic behavior and special cases such as single tone harmonic analysis are considered. Also, the Pisarenko method of harmonic retrieval is analyzed for the case of a single tone imbedded in noise. The statistical properties of the eigenvector corresponding to the minimum eigenvalue as well as that of the estimated frequency value are derived. The dependence of the reliability of the estimate upon the data size and the tone frequency location is illustrated.