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。     

一种改进的最小统计量控制递归平均噪声估计算法

本文提出了一种改进的最小统计量控制递归平均噪声估计算法.算法采用递归平均进行噪声估计,其递归平均的平滑因子受语音存在概率控制,而语音存在概率的计算采用了两次平滑和最小统计量跟踪.与I.Cohen提出的IMCRA算法相比,本文采用了一种快速有效的最小统计量跟踪算法.仿真结果表明在非平稳噪声条件下,算法具有较好的噪声跟踪能力和较小的噪声估计误差,可以有效地提高语音增强系统的性能.     

基于噪声整形的语音去噪算法

针对非平稳环境噪声提出一种基于噪声整形的语音去噪算法.该算法以最小感知均方误差为准则,在Wiener滤波的基础上,采用听觉感知加权函数修正Wiener滤波方程,实现对噪声谱整形,使噪声谱分布特性跟随语音谱而变:同时引入频率补偿因子克服非平稳噪声谱对语音影响的不均匀性;采用快速噪声估计算法实现对非平稳的估计.实验表明,该算法能更有效地抑制背景噪声,提高了去噪后的语音质量.     

一种基于自适应噪声估计的宽带语音增强算法

为解决传统算法对噪声适应性较差,残留音乐噪声较强的问题,本文提出了一种基于自适应噪声估计的宽带语音增强算法。该算法可应用于宽带语音编码器,以提升在噪声环境下的编码质量。本文所提算法利用谱熵对噪声类型进行有效的判别,将背景噪声分为白噪声和有色噪声两类,并根据噪声特性选择适当的噪声估计方法。在白噪声背景下,选择一种谱平滑的方法;在有色噪声背景下,则选择经典的最小值控制递归平均算法。在此基础上结合经典的统计模型方法,构建一种具有较强噪声鲁棒性的宽带语音增强算法。在ITU-T G.160标准下对算法进行性能测试,测试结果表明,在不同强度的背景噪声环境下,增强语音的信噪比提高都较为明显。同时,在低信噪比情况下,该算法有效的抑制了严重影响听觉质量的音乐噪声现象。      

冲击噪声背景下相干信源DOA估计方法研究

研究了冲击噪声环境下相干信源波达方向(DOA)估计问题.在对称α稳定分布冲击噪声假设下,基于共变和分数低阶矩的MUSIC(即ROC-MUSIC和FLOM-MUSIC)方法不能用于相干信源DOA估计.本文首次将空间平滑思想应用于共变系数矩阵和分数低阶矩矩阵中,定义了新的前后向平滑共变系数矩阵和前后向平滑分数低阶矩矩阵,提出了两种新的适用于冲击噪声环境的相干信源DOA估计方法:基于前后向平滑共变系数矩阵的空间平滑(ROC-SS)算法和基于前后向平滑分数低阶矩矩阵的空间平滑(FLOM-SS)算法.理论分析表明,可以通过前后向平滑共变系数矩阵和前后向平滑分数低阶矩矩阵的特征分解来估计噪声子空间,从而实现对相干信源的DOA估计.论文还对提出的ROC-SS算法和FLOM-SS算法进行了性能对比分析.计算机仿真结果证明了ROC-SS算法和FLOM-SS算法的有效性和正确性.     

基于改进语音存在概率的自适应噪声跟踪算法

在非平稳环境下,由于时间递归平均噪声功率谱估计算法会出现跟踪延迟和估计误差等问题,本文采用一种新的方式对其核心部分语音存在概率（speech presence probability, spp）进行估计。利用时域特征能量与频域特征谱熵的比值能熵比作为新的特征来构建其与spp的正比关系,从而得到当前语音帧的spp估计值;然后用双平滑系数对该值进行平滑;最后结合时间递归平均算法得到估计的噪声功率谱。该算法充分利用语音帧频点的特征信息控制spp的估计值,以此自适应地跟踪噪声变化。实验结果表明:在地空通信环境下,该方法能够准确且连续地跟踪噪声功率谱、快速响应其变化。集成到语音增强系统后,可以提高语音质量,降低残留噪声。      

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。     

双通道能量差后滤波语音增强算法统计分析和改进

双通道能量差后滤波语音增强算法在语音通信系统的噪声抑制技术中有较好的应用前景,然而其理论性能和局限性还未得到充分研究。为此,本文采用统计分析方法研究了双通道能量差后滤波语音增强算法的性能,分析了相干性、平滑因子及噪声估计误差对算法的影响。理论和仿真结果表明,噪声估计误差和平滑因子严重影响该算法的降噪性能。依据此分析结果,本文提出一种基于非平稳噪声估计和功率谱自适应平滑的双通道能量差后滤波算法。测试结果表明,本文提出的算法在不增加语音失真的前提下,能更有效地抑制非平稳噪声,段信噪比提高(SegSNRI)和语音质量感知评估(PESQ)等客观评价指标都表明本文的算法优于其它几种经典的后滤波算法。      

仿听觉掩蔽效应的助听器语音增强算法

为增强听障患者在噪声环境下的语言理解度,本文提出了一种改进的感知滤波器算法。针对一般感知滤波器会出现被掩蔽音在感知滤波后变为可闻噪声的问题,本文仿听觉掩蔽效应设计了加权感知滤波器算法。算法在基本感知滤波器设计的基础上,首先采用直接判决法来估计先验信噪比,并基于最佳平滑因子法进行修正。然后基于最小均方差准则获得最优估计值,从而得到感知权重滤波器的增益函数。仿真实验结果表明,该方法能够有效地消除残留噪声,降低噪声对语音的干扰,使得处理后的语音质量有所提高。     

由局部能量确定可靠性加权的抗噪声语音识别方法

噪声情况下的语音识别是个挑战性的问题。目前的处理方法普遍需要估计噪声或者信噪比,从而其性能依赖于噪声估计的好坏。本文提出了一种基于语音信号局部能量的可靠性加权方法,该方法着眼于语音本身的结构,避免了对噪声的估计。另外,带噪语音识别的实验结果证明该方法能很好的提高识别系统的抗噪声性能。     

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.     

基于噪声估计的改进能量熵语音端点检测算法

针对传统能量熵的短时能量与子带谱熵容易受噪声环境影响,低信噪比下端点检测性能下降的问题,提出一种基于噪声估计的改进能量熵语音端点检测算法.首先对语音进行噪声估计并以此计算语音存在概率;然后利用估计的噪声能量修正短时能量,用语音存在概率作为加权系数优化子带谱熵,并将两者结合生成改进的能量熵;最后给出基于噪声估计的动态门限以及实时的端点检测策略.实验结果表明,在信噪比5 dB、0 dB的多种噪声环境中,基于噪声估计的改进能量熵端点检测算法相比传统能量熵算法与改进子带能谱比算法,检测正确率平均提升7％.     

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.     

全相位滤波白噪声产生有色噪声及其功率谱估计

本文提出用全相位数字滤波器这种新型滤波器滤波白噪声产生有色噪声的方法,这种方法比用传统FIR滤波器产生的有色噪声频谱泄漏少,阻带衰减功率大等优点.并且分别用Welch法和全相位法对在有色噪声中混入的双频小信号余弦波进行谱估计,实验证明全相位谱估计性能优于经典谱估计.     

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。     

Integrating recursive minimum tracking and codebook-based noise estimation for improved reduction of non-stationary noise

Conventional single-channel noise reduction algorithms typically have problems with non-stationary noise. Popular algorithms such as minimum statistics or voice-activity-detector-based methods rely on the assumption that the noise spectral characteristics change very slowly over time. Codebook-based approaches try to overcome this problem by incorporating a priori knowledge about speech and different noise types. These approaches perform a joint estimation of the speech and noise spectra on a frame-by-frame basis. The frames are typically 20-40 ms long so that fast fluctuations of the signal characteristics can be tracked instantaneously. However, these methods require a pitch estimator to prevent speech distortion as well as residual noise in voiced speech frames. In addition, they are not very robust against model mismatch. In this paper, we propose an integrated noise estimation algorithm that combines the ability of codebook-based algorithms to track non-stationary noise with the robustness of a recursive minimum-tracking-based noise estimation algorithm. An objective and subjective evaluation is provided. Results confirm the superiority of the proposed algorithm in non-stationary noise scenarios compared to state-of-the-art algorithms.     

一种基于最小能量统计的语音增强改进算法

针对基于最小能量统计的语音增强算法,用可靠的噪声段检测方法对噪声谱估计流程进行改进,提升噪声谱幅度估计的准确度。实验表明,此方法能有效地追踪背景噪声的变化情况,进而提升语音增强的效果。     

一种基于高斯分布模型的语音增强方法

对背景噪声的估计,关键是使算法能跟得上噪声变化,以及时更新噪声的估计值。为了增强对非平稳噪声的跟踪估计能力,在Imrca算法的基础上,提出了基于前向和后向最小值搜索相结合的改进算法。验证实验内容包括：用改进算法、原Imrca算法,基本谱减法对含同种噪声不同信噪比的含噪语音处理后,恢复出来的语音的对比;以及在低输入信噪比情况下,对加入babble噪声的含噪语音经改进算法、原Imrca算法、基本谱减法处理后,所得到的平均分段信噪比的对比。实验结果表明,该改进算法对含噪语音的处理效果要优于原算法,对含有非平稳的噪声的含噪语音,取得了较好的增强效果。