语音增强算法及进展

以时间顺序对语音增强算法进行了梳理,将其分为传统算法和新型算法.传统算法为早期形成的经典算法,如谱减法、维纳滤波法、自适应滤波法等.其特征是发展已趋于成熟,常结合其他的算法形成变体以提高增强效果;新型算法为近期发展中的潜力较大的热门算法,如基于小波变换、基于经验模态分解的语音增强算法等,其特点是弥补了传统算法的一些不足并在应用方面更为灵活,对非平稳的语音信号具有更强的自适应性.最后,在对各算法归纳分析的基础上,探讨了语音增强算法的发展趋势.     

基于VMD与SSA的OTDR信号去噪算法

为对光时域反射计(Optical Time Domain Reflectometer, OTDR)数据进行去噪处理,提出了一种基于变分模态分解(Variational Mode Decomposition, VMD)与奇异谱分析(Singular Spectrum Analysis, SSA)的去噪算法。首先,对OTDR数据进行VMD分解;然后根据相关系数准则判定有效分量,并采用SSA对与原信号相关系数较小的分量进行处理;再对所有分量求和,得到重构后的信号,从而实现数据信噪比的提高。经实验验证,该算法的去噪效果良好,容易实现,具有较大的实用价值。     

基于EMD和小波包的轴承故障特征提取

提出了一种将经验模态分解(EMD)和小波包(Wp)分解相结合的方法,提取某些电机信号非平稳特征.首先对电机振动信号作EMD分解,再对其分解结果单模态函数作WP包络谱分析,从而得到精确度较高的轴承内圈故障频率.最后,通过仿真和实例,将本方法和已有文献中的方法进行对比,结果表明,该方法不仅具有较高的可行性,而且可以准确地提取出故障信息.     

基于仿生小波的阈值语音增强算法

人耳对于声音信号的分辨率是非线性的,而仿生小波变换正是由非线性的耳蜗听觉模型发展而来。文章提出一种基于仿生小波变换的语音信号去噪方法,同时针对软硬阈值函数的不足,采用一种修正的硬阈值函数进行处理。仿真结果表明,该方法具有较好的增强效果。     

基于EMD拟合特征的耳语音端点检测

耳语音作为人类发音的一种特殊形式,与正常语音相比具有信噪比低、元音的周期特征不明显等特性,因而耳语音处理比正常语音更为困难。耳语音处理研究的第1个关键步骤就是语音的端点检测,该文利用希尔伯特-黄变换(Hilbert-Huang Transform, HHT)中的经验模态分解(Empirical Mode Decomposition, EMD),首次提出了一种基于EMD拟合特征的耳语音端点检测新方法。利用EMD得到的内禀模态函数(Intrinsic Mode Function, IMF)能量,以其归一化拟合参数为耳语音端点检测的特征,可以准确地划分出耳语音端点。实验表明,该方法在耳语音端点检测中取得了很好的效果,在1200个信噪比为2～10dB的测试样本中,检测准确率为98.25%。     

基于PCA与EMD的超宽带雷达生命信号检测算法

 本文分析了脉冲超宽带(UWB)生命信号模型,提出了基于主元分析(PCA)和经验模态分解(EMD)的非接触生命信号检测方法.根据UWB信号杂波与生命目标回波特点,结合PCA去除杂波.提取适当的主元特征向量序列曲线上峰值所对应的时延,估计目标距离信息.采用EMD分解目标回波序列为有限个固有模态函数(IMF)分量,在时域上重构平滑生命特征曲线,且其在高信噪比下可实现心跳与呼吸信号的分离.实验研究表明该方法简单有效,能同时提供生命信号的频域和时域波形位置信息,且重构得到的生命信号较符合实际信号时变、非平稳特性.     

EMD算法发展及应用综述

经验模态分解算法在各个领域都有广泛的应用,在工业领域中,对机械设备故障的机理研究,有助于监测机械运行状态,在医学领域中,准确的检测出患者与正常人数据的差异有助于疾病的分析和诊断,由于经验模态分解算法在非线性非平稳信号分析中具有显著优势,多年来深受学者的关注。文章总结了经验模态分解算法近年来的发展改进及应用。     

基于EMD和改进双门限法的语音端点检测

语音端点检测的准确与否直接影响到语音识别系统的计算复杂度和识别能力,在基于短时能量和过零率的端点检测算法中,能量计算方法不尽合理而且在低信噪比下检测效果大大降低。对此提出了一种基于经验模式分解和改进双门限法的语音端点检测算法,仿真结果表明在低信噪比情况下本文算法有更好的端点检测能力,显示了算法的优越性。     

基于EMD和奇异值分解的心律失常分类方法

基于经验模态分解(Empirical Mode Decomposition,简称EMD)和奇异值分解(Singular Value Decomposition,简称SVD)理论,提出一种新的心律失常类型分类方法.首先,利用经验模态分解方法自适应地将心电信号(ECG)分解为一组固有模态函数(Intrinsic Mode Function,简称IMF)和一个残余分量,解决了目前广泛应用的小波分解方法中小波基选取困难以及分解结果不唯一的难题.利用这组固有模态函数构造初始特征向量矩阵,对初始特征向量矩阵进行奇异值分解,得到矩阵的奇异值.奇异值是矩阵的固有特征,具有较好的稳定性,根据奇异值计算奇异熵.最后依据奇异熵和马氏距离判别函数对心电信号的心律失常类型进行分类.实验结果表明,本方法能方便有效地对心律失常类型进行识别判断,可用于心电信号病理辅助诊断领域.     

基于Teager能量算子和经验模态分解的语音端点检测算法

Teager能量算子是近年来提出的非线性方法,具有跟踪时变信号的特点,该文结合该算子和经验模态分解方法,提出一种新的语音端点检测算法,用于寻找合理的语音起始和终止端点。该算法利用经验模态分解,提出本征模态函数的有效性筛选条件,通过筛选本征模态函数,使得该算法能够处理含噪语音信号,同时分解所得单模态特性正好满足TEO算子对单成份能量跟踪的要求,最后利用Hilbert变换解决了可能存在的模态混叠问题。经过这些处理,算法能够处理语音信号中清音段的端点标识,比直接TEO、双门限法效果好。通过大量实验验证了该算法的有效性。     

Speech enhancement based on hybrid algorithm

A hybrid algorithm that incorporates the minimum mean square error (MMSE) algorithm and the auditory masking algorithm for speech enhancement is proposed. The proposed algorithm results in a significant reduction in residual noise compared with that in the enhanced speech produced by the MMSE algorithm alone     

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.     

Speech enhancement based conceptually on auditory evidence

A new idea, enhancing speech based on auditory evidence, is explored for the problem of enhancing speech degraded by stationary and nonstationary additive white noise. Distinguishing different objectives for heavy and light noise interference, two related algorithms are developed. For speech degraded by heavy noise, the improvement in signal-to-noise ratio (SNR) is as high as 12 dB; for lightly noisy speech, the improvement is modest and decreases as the SNR of the noisy speech increases. Quantizing noise is used to assess the capacity for reducing nonstationary noise using these algorithms; a significant reduction of such noise and an improvement in speech quality are achieved. The advantages of the proposed algorithms for speech enhancement include no need for prior knowledge of the noise and only a modest computational requirement     

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。     

基于小波包去噪和EMD的混合算法

经验模态分解(EMD)是希尔伯特?黄变换(HHT)中的关键步骤,并伴有过冲和端点效应的产生.利用遗传算法(GA)对支持向量机(SVM)中的未知参数:惩罚函数 C和高斯核函数中的预设参数σ进行优化选取,运用 GA-SVM 对信号进行端点延拓来处理端点效应问题并提出采用分段三次 Hermite多项式插值进行包络线拟合;为了机械设备早期故障频率的特征提取,采用小波包降噪预处理,结合改进的 Hilbert?Huang变换进行轴承故障特征频率的提取实验;实验表明该方法提高了故障频率提取的准确性.     

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。      

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。     

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.