基于“音乐噪声”的修正谱减法算法分析

在传统谱减法语音增强的基础上,针对不同性别带噪语音信号采用传统的谱减法后残余音乐噪声过强的问题,提出采用被减项加权处理和功率谱修正处理相结合的改进方法,采取Matlab实验仿真分析,实验结果表明,该方法降低了音乐噪声,改善了语音信号的输出信噪比,达到了抑制纯音噪声的目的。     

一种基于双元麦克风线性阵的语音增强方法

针对现有单通道语音增强算法及传统波束形成算法的局限性,提出了一种基于双元麦克风线性阵的语音增强方法. 首先利用离线设计好的优化权值对输入信号进行加权求和以实现波束形成,然后结合一种新的噪声幅度谱估计方法,采用改进的幅度谱减法进一步增强语音信号. 仿真实验表明该方法简单易行并取得了较好的语音增强效果.     

一种改进的基于谱熵实时噪声估计的谱减法

语音增强的目标是从含有噪声的语音信号中提取尽可能纯净的原始语音.在实际应用中,需要对背景噪声进行预估计,以达到改善语音质量.目前常用的语音增强方式是谱减法,但由于该算法在低信噪比环境下的效果较差,所以限制了其应用范围.该文将实时噪声估计同谱减法相结合,针对谱减法在低信噪比下效果不明显的缺点,给出一种新的语音增强方案.该方案的目的是优化传统谱减法的性能,对噪声进行更为准确的实时估计;该方案的特点就是利用谱熵对噪声进行估计,通过谱熵估计每一帧语音的噪声,再利用谱减法达到降噪的目的.实验结果表明,该方法与传统的谱减法相比,在低信噪比环境下均能得到较好的去噪效果.     

基于最小均方误差估计的改进语音增强算法

在常规谱减法的理论基础上,针对其去噪中存在的问题,提出一种改进算法,对清音和浊音分别采用高频提升和频带加宽的处理方法,使在消除信号噪声的同时尽可能地保留信号中的弱特征成分.利用LSD和PMD公式从理论和实践两方面证明该方法在有效抑制背景噪声的同时还可以降低音乐噪声,获取最大的信噪比,减少语音失真,实现比常规谱减法更好的语音增强效果.     

面向语音增强的聚焦自适应波束形成方法

针对语音信号相对带宽大、麦克风存在误差以及现有自适应波束形成方法宽带干扰抑制能力不足的问题,提出一种面向语音增强的聚焦自适应波束形成方法。首先将Capon空间谱处理为接收信号的概率密度函数,并对不同频带设计了基于阵列观测数据的聚焦矩阵,从而根据干扰功率自动调整频率聚焦程度;然后,计算聚焦后的样本协方差矩阵和各子带频段内的干扰加噪声协方差矩阵,并利用聚焦矩阵重构出宽带数据的干扰加噪声协方差矩阵;最终,通过重构出参考频率下的期望信号协方差矩阵,修正期望信号方向的导向矢量并得到自适应波束形成器的加权向量。数值仿真结果表明：所提方法能够有效地对期望信号进行接收的同时充分抑制宽带干扰;所提方法在强干扰处的聚焦误差仅为现有方法的约1%;在信噪比为15 dB且入射角误差为3°的情况下,所提方法的输出信噪比较现有方法提高约12 dB。     

一种基于GRU神经网络的语音增强方法

对语音增强的方法研究开始于20世纪70年代,目前形成了4大类传统的语音增强方法,包括谐波增强法、谱减法、基于语音生成模型的算法和基于短时谱估计的算法.但语音信号本身为非平稳信号,无论时域分析或者频域分析,其本身的信号特征均不明显,同时噪声信号常常多个叠加,特征复杂、频带宽,现有语音增强效果并不理想,甚至容易引入音乐噪声.语音交流是人类的基本沟通交流方式,用途广泛,但是在语音通讯的过程中不可避免的会受到来自环境噪声、电气噪声、传输介质等干扰,干扰后将影响人的收听辨识效果或者影响其他语音信号的处理(如语音识别).因此,有必要在音频数字化后实行适当的增强措施来提高辨识度.基于此,提出一种综合了多种方法的新语音增强处理结构.该结构结合短时傅里叶变换、谱减法、噪声谱估计和机器学习技术等,实现更强的语音增强效果.通过与前馈BP网络及LSTM网络对比,实验证明了该方法的有效性.并验证使用GPU计算技术加速的可行性.     

基于谱减法的藏语语音减噪研究

语音信息的采集过程中难免会有各种噪声的干扰,噪声降低了语音的可懂度及清晰度,甚至严重影响语音处理的准确性和可靠性。谱减法是语音减噪中最常用的方法,该方法基于人的感觉特性,对语音短时幅度谱进行估计,适用于受加性噪声污染的语音。本文通过统计分析谱减法的增益补偿因子和过减因子参数,研究基于谱减法的藏语语音减噪处理,并取得较为理想的实验结果。     

基于参数自适应的改进谱减法

针对基本谱减法的噪声残留以及损伤语音的可懂度和自然度等问题,在基本谱减法原理基础上,提出了基于参数自适应的改进谱减法。引进谱减功率系数和谱减噪声系数,以增强后语音信号的信噪比为输出,以变化的谱减功率系数和谱减噪声系数为输入,自动控制选择最优参数,并且将其与带噪语音输入信噪比相匹配。对信号进行语音增强时,通过计算其输入信噪比,利用最优参数曲线得到最优参数值,然后结合平滑处理的过程实现语音增强最大化。实验表明,本文算法有效提高了基本谱减法的语音增强性能。     

一种采用旁瓣增强的麦克风阵列抗混响算法

在音频/视频会议、人机交互、语音识别等领域,严重的混响干扰导致麦克风阵列语音处理性能急剧下降.针对现有逆滤波等抗混响方法需要获得准确的房间传输响应,而波束形成方法抗混响性能有限的问题,基于广义旁瓣抵消器(generalized sidelobe canceller,GSC)结构提出一种采用旁瓣增强的麦克风阵列抗混响算法(Sidelobeenhanceing reverberation mitigation algorithm for microphone array,SERM).该算法首先进行波束形成,初步获得增强的直达语音信号,并对旁瓣获取的混响分量进行自适应迭代增强,再将旁瓣迭代增强的误差信号作为参考噪声进行自适应噪声抵消,最终输出抗混响语音.实验结果表明,在混响环境下该方法能有效改善麦克风阵列的语音信号质量.     

谱减法与维纳滤波法相结合的睡眠鼾声降噪处理

为提高鼾声信号的信噪比,提出了一种传统谱减法和维纳滤波法相结合的睡眠鼾声信号预处理方法.首先利用传统谱减法对带噪鼾声信号进行初步增强,使用子空间投影法将带噪鼾声投影到噪声和纯净信号两个子空间并得到信噪比,再由信噪比得到维纳滤波器的传输函数,谱减法处理后的鼾声信号通过该滤波器后会进一步降低噪声.对叠加白噪声的鼾声信号的仿真结果表明,文中方法可获得高于谱减法和维纳滤波法单独使用时的信噪比,降噪效果优于传统谱减法和维纳滤波法.     

基于噪声短时谱动态估计的语音增强谱减算法

针对谱减法增强语音后残留"音乐噪声"明显,影响语音清晰度的问题,在分析现有的噪声谱减算法基本特性的基础上,提出一种基于噪声短时谱动态估计的语音降噪方法.通过估计噪声短时功率谱及其变化趋势,动态调整谱减法中的过减系数,有效抑制残留噪声.仿真实验表明,新的谱减算法在提高语音信噪比的同时保持较小的失真度,具有较好的增强效果.     

基于噪声短时谱动态估计的语音增强谱减算法

针对谱减法增强语音后残留音乐噪声明显,影响语音清晰度的问题,在分析现有的噪声谱减算法基本特性的基础上,提出一种基于噪声短时谱动态估计的语音降噪方法。通过估计噪声短时功率谱及其变化趋势,动态调整谱减法中的过减系数,有效抑制残留噪声。仿真实验表明,新的谱减算法在提高语音信噪比的同时保持较小的失真度,具有较好的增强效果。     

一种基于功率因数补偿的谱相减算法改进

对带噪语音进行传统谱减增强后,会引入"音乐噪声",并造成语售可懂度急剧下降.针对这一缺点,本文提出了一种采用功率因数补偿的过减形式的谱相减算法,以提高语音可懂度.采用MATLAB对算法进行了仿真,仿真结果表明:该算法有效的抑制了背景噪声、减少了"音乐噪声",比传统谱相减算法有较大优越性.     

Robust Speech Recognition Using a Harmonic Model

Automatic speech recognition under conditions of a noisy environment remains a challenging problem. Traditionally, methods focused on noise structure, such as spectral subtraction, have been employed to address this problem, and thus the performance of such methods depends on the accuracy in noise estimation. In this paper, an alternative method, using a harmonic-based spectral reconstruction algorithm, is proposed for the enhancement of robust automatic speech recognition. Neither noise estimation nor noise-model training are required in the proposed approach. A spectral subtraction integrated autocorrelation function is proposed to determine the pitch for the harmonic model. Recognition results show that the harmonic-based spectral reconstruction approach outperforms spectral subtraction in the middle- and lowsignal noise ratio (SNR) ranges. The advantage of the proposed method is more manifest for non-stationary noise, as the algorithm does not require an assumption of stationary noise.     

一种基于模糊系统的语音增强方法

语音增强是解决噪声污染的有效方法,它的首要目标是在接收端尽可能从带噪语音中恢复纯净的语音信号.讨论强背景噪声下的基于模糊系统的语音增强方法,并与减谱法语音增强算法进行比较.计算机仿真结果表明,该方法在大大消除背景噪声的同时,消除了音乐噪声,同时保持语音信号较好的可懂度.     

用于语音识别的基于高谱分辨率的谱减法

提出了一种新的基于高谱分辨率的谱减法,通常噪音帧和带噪语音帧具有相同的长度且都是短时帧,对短的噪音帧和带噪语音帧做傅立叶变换得到的谱分辨率低导致谱减法性能下降严重。基于平稳或接近于平稳的背景噪音下合并所有噪音帧再做傅立叶变换以提高噪音帧的谱分辨率;通过对带噪语音信号在时域进行前向和后向的延拓再做傅立叶变换以提高带噪语音信号的谱分辨率,在有效抑制噪音的同时减少了语音谱的失真并提高了系统识别率。     

用于语音识别的减谱结合RASTA的抗噪声方法

主要论述加性和卷积性噪声条件下语音识别的抗噪方法．在特征提取阶段，用功率谱短时均值相减的谱减方法补偿加性噪声的影响，用在Mel频标倒谱域RASTA(relative specllral)滤波补偿卷积性噪声对语音识别系统的影响．在汉语非特定人孤立数字识别实验中，使用该方法的误识率比未使用该方法要低，并且需要很小的噪声先验知识和假设，运算简单．实验证明，提出的减谱结合RASTA的方法是一种比较有效地削减噪声的方法。     

含语音增强模块的i-向量说话人识别性能分析

为解决文本无关说话人识别中训练与识别环境不同导致模式失配的问题,提出了一种采用语音增强模块进行前端预处理的i-向量说话人识别系统,从而提高系统对于环境噪声的鲁棒性.为评估不同语音增强算法的性能,利用NIST08核心测试集进行仿真实验.采用IMCRA算法对语音进行噪声估计后,分别用维纳滤波法、MMSE-LSA、传统谱减法和多频带谱减法等4种方法进行语音增强前端处理,在基于i-向量的说话人识别系统下进行实验.实验结果表明采用了语音增强的系统具有一定抗噪声性能,并且在高信噪比条件下,基于多频带的谱减法在此系统下性能最佳,而低信噪比情况下MMSE-LSA算法更有优势.