一种利用线性预测残差的语音去噪方法

提出了一种利用线性预测残差去除语音中加性白噪声的方法 .含噪语音经过线性预测分析后 ,所得的线性预测残差可分为与语音相关的语音残差部分和与噪声相关的噪声残差部分 .当噪声为白噪声时 ,噪声残差能量与噪声能量的比值大于语音残差能量与语音能量的比值 ,并且随着含噪语音信噪比的增大 ,两者数值上的差距越来越大 .因此 ,从含噪语音中按一定比例 λ(0 <λ<1 )减去预测残差 ,即可抑制噪声残差能量 .这实际上抑制了含噪语音中的噪声能量 ,提高了其信噪比 ,从而达到在一定程度上去噪的目的 .同时 ,这样处理造成的语音能量损失是有限的 .特别是 ,上述方法中对语音成分的操作仅仅在预测残差内进行 ,对语音的共振峰影响很小 ,因而能够较好地保留语音信号的频谱结构 ,使语音品质不致降低 .实验结果表明 ,该方法简便而有效     

基于线性预测的自适应语音增强技术

提出了一种基于线性预测的自适应语音增强方法。该方法利用带噪语音的线性预测作为自适应滤波器的参考输入，使有色噪声的相关性隐含于参考输入之中，从而大大地提高了语音的信噪比。仿真实验证明．被环境噪声污染了的语音信号经自适应系统处理后，其信噪比提高了32．70dB。     

噪声环境下语音识别方法研究

研究了6种噪声背景下与说话人有关的孤立词语音识别方法。它们是：线性预测误差法,单边自相关线性预测法,语音前端声学处理法,正则相关分析的谱变换补偿方法,特征综合法和同模极点增加法。实验结果表明,这6种方法都有效地提高了噪声环境中语音识别率,其中较好的方法在强噪声环境中(信噪比为0dB)的语音识别率达到80%以上,为信噪比较低的噪声环境中自动语音识别展现了美好前景。     

基于EEMD和ICA的语音去噪方法

语音去噪技术是语音识别系统走向实用化的一个关键性难题.针对语音信号为非平稳信号的特点,提出了一种基于EEMD和ICA相结合的语音去噪方法,首先利用集合经验模态分解(EEMD)算法将含噪语音信号分解为若干个独立的固有模态函数(IMF),消除了经验模态分解(EMD)算法处理语音信号时产生的模态混迭现象;然后将固有模态函数通过改进的独立分量分析(ICA)算法分离出若干个有效的语音信号分量;最后对其进行语音重构,从而达到消除噪声干扰的目的.实验结果表明,该方法在输入信噪比为-10dB的汽车噪声条件下,可以将语音信号的信噪比提高到2.741 2 dB.     

基于倒谱距离的语音端点检测改进算法

在讨论传统倒谱距离语音端点检测算法不足的基础上,提出了一种改进方案,该方法首先估计短时信噪比,然后由统计方法确定短时信噪比与门限的关系,进而完成正确的语音端点判决。通过对3种典型噪声环境下信噪比从-5 dB到20 dB的带噪语音信号进行的仿真实验结果表明,所提方法能更为准确地检测到语音端点。     

基于听觉场景分析的近讲语音增强算法

针对近讲场景,提出一种双麦克近讲语音增强算法。该算法基于耳间延时差(ITD)、耳间强度差(IID)特征来区分目标语音,利用声学掩蔽效应,实现目标语音对背景噪声的分离降噪。与传统的单麦克增强方法相比,该算法可消除多种类型噪声且对语音造成的损伤较小。实验表明:该算法能将8～33dB的白噪声、音乐噪声、广播噪声3种噪声类型的带噪语音的信噪比提高到36dB以上,同时保持较高的目标语音可懂度。对于冲击噪声的带噪语音也具有较好的降噪效果。     

汉语数码语音识别中一种新的抗噪声特征参数

为了提高中小词汇量语音识别系统在噪声环境下的识别性能,以10个汉语数码语音为对象,利用汉语数码语音信号区别于噪声信号的准周期特性,提出了一种汉语数码语音频谱包络峰值特性的提取方法,首先用基频对语音频谱采样得到由谐波值构成的包络以提高信噪比,然后再对所得包络进行峰值提取得到汉语数码语音的峰值特征。实验结果表明,在信噪比大于5dB时,用该方法得到的峰值特征具有一定的抗噪性。     

基于小波包和独立分量分析的微弱多源故障声发射信号分离

针对旋转机械设备中同时存在的裂纹、摩擦等多故障源信号难以检测和分离的问题,提出了一种基于小波包分析(WPA)与独立分量分析(ICA)的多源故障信号提取方法,即首先用WPA对含噪线性混合信号降噪预处理,由db2小波基函数进行5层分解后保留62.5~187.5kHz频段信号,然后采用ICA中的FastICA算法对降噪后的混合信号分离,最后对各通道分离出的信号用收缩函数进行频段内去噪处理.对不同输入信噪比的含噪微弱裂纹和摩擦信号进行提取和分析的结果表明,该方法能有效提取出输入信噪比大于-15dB的裂纹和摩擦信号.当混合信号信噪比为-15dB时,裂纹和摩擦信号的输出信噪比分别为-1.31和-1.36dB,相关系数分别为0.62和0.63,提取效果好于结合小波包和FastICA分离方法(信噪比分别为-1.74和-2.06dB,相关系数分别为0.59和0.59)以及单独采用FastICA算法(信噪比分别为-4.57和-4.31dB,相关系数分别为0.17和0.19).因此,所提出的综合WPA和ICA的方法是一种较好的多源微弱信号提取方法.     

谱减在基于动载的路面不平度识别中的应用

分析了路面激励和发动机振动引起的汽车垂直动载的特点,提出了采用谱减法去除用于路面不平度识别的垂直动载中周期性噪声的方法.谱减之前对染噪信号和噪声模板都作静态小波滤波,可有效消除随机噪声谱引起的"音乐噪声".对发动机怠速时和在光滑水泥路面测得的信号比较后采用了后者作为噪声模板,并使用基本谱减方法对信号进行了滤波.试验数据处理发现谱分辨率取2Hz时谱估计方差较小,相应"音乐噪声"也较少.仿真表明,在数据点数为1024个时,使用谱减去噪使信噪比由7.2 dB提高到31.5 dB.     

MLP语音信号非线性预测器

讨论了MLP（Multi-Layer Perceptron)语音信号非线性预测器的实现。为了使MLP能够适用于语音信号预测,对MLP的误差准则进行了修正以减轻神经网络模型与语音模型之间的过匹配。为了提高MLP的训练速度,提出了一种线性化逐层优化（LOLL）MLP训练算法。实验结果显示该非线性预测器的预测信噪比约比线性预测器提高2dB,而且它还可以同时完成长时预测器的功能;误差准则修正使非线性预测器的预测信噪比提高了0.35dB。     

基于小波变换的语音增强和噪声消除的研究

介绍了在小波领域中去除叠加在信号上的噪声的一种方法,采用门限法把噪声语音的小波系数中的噪声成份滤掉,实验结果证明应用小波变换的语音增强算法是很有效的。     

一种基于巴克域噪声估计的语音增强算法

为了在保证语音增强算法性能的同时,降低算法复杂度,提出了一种巴克域最小统计量控制递归平均噪声估计算法.将带噪信号在巴克域进行分解并进行最小统计量分析,基于此最小统计量控制噪声的递归平均估计.算法基于听觉模型,充分利用巴克带内频带间的相关性,具有较好的噪声跟踪估计性能.该算法复杂度低,适用于常见语音增强方法.仿真结果表明,基于该噪声估计的语音增强可以有效地抑制噪声,增强后语音失真较小,在低信噪比条件下能够有效改善语音编码合成后的语音质量.     

一种基于小波变换的语音增强新方法

根据随机噪声的小波变换系数在不同尺度上的传递特性和噪声信号奇异性与小波模极大值的关系，提出用一个随尺度变化的软阈值来抑制带噪语音信号在不同尺度上的噪声小波系数的语音增强方法．实验结果表明：该方法既能减小语音畸变，又能有效地去除噪声，具有较好的语音增强效果．     

基于自回归模型的加性噪声环境稳健语音识别

为提高噪声不平稳或不可估的情况下语音识别的稳健性,提出了利用自回归模型和短时平稳性假设,估计干净与噪声环境的语音数据,建立相应的语音识别模型,以达到抗噪效果的稳健语音信号处理方法。在N o iseX-92的4种噪声环境(w h ite,babb le,vo lvo,destroyer eng ine)从0到20 dB的不同信噪比下的“863”大词汇连续语音标准数据库的平均识别结果表明,该方法能够使得基于段长分布的隐M arkov模型的语音识别系统在25候选时声学层的音节相对错误率下降达到10.85%以下,同时相对正确识别率上升12.13%。     

一种新的用于语音增强的噪声谱估计器

提出了一种新的噪声谱估计算法，从采集到的含噪声语音信号中直接估计出噪声谱的变化，并且利用一个初始噪声序列进行噪声谱的更新。实验表明，该算法能准确地估计出噪声谱，相比传统的噪声谱估计器，其准确性和实时性显著提高了，也增强了可靠性，特别是在有强背景噪声（输入信噪比很低）和慢变化噪声的情况下性能得到了明显的提高。     

基于浊音语音谐波谱子带加权重建的抗噪声说话人识别

提出了一个基于浊音语音谐波谱重建的说话人识别算法.该算法根据浊音语音短时频谱的结构特征和基音信息,对浊音语音谐波结构频谱进行子带加权重建,以补偿由噪声引起的训练与测试条件的失配.算法基于重建浊音频谱提取感知线性预测倒谱系数,与基音相组合作为说话人的语音特征参数矢量,采用高斯混合模型对说话人进行建模.仿真实验的结果表明:所提出的浊音谱重建方法对多种类型含噪语音的噪声补偿均具良好效果,可以明显提高在噪声环境下的与文本无关的说话人识别的识别率,特别是显著提高低信噪比环境下的识别率,而不会明显降低纯净语音和高信噪比环境下的识别率.     

一种改进的小波域语音去噪方法研究

分析了信号和噪声在小波域的不同特征表现，并根据语音中浊音和清音的特点，提出了一种改进的多尺度多阈值的小波域语音去噪方法．该方法采用软限幅函数对浊音和清音信号的小波变换系数作不同的阈值处理，既抑制了噪声，又减少了语音段信息的损失，提高了信噪比．仿真结果表明，这是一种有效的语音增强方法．     

基于线性预测下的语音信号合成

线性预测编码(Linear Predictive Coding)是实现语音编码的一项重要技术.通过对语音信号和LPC的研究,介绍了语音信号的线性预测分析原理,详细分析用来求解线性预测方程的自相关法和计算方法,并用Matlab对实际语音信号进行线性预测编码实验.实验结果表明,应用LPC法合成的语音信号误差小、计算简单、合成速度快.