多噪声环境的麦克风小阵语音增强

针对在非平稳和多种噪声并存的语音增强算法抑制噪声能力有限的问题,提出基于最小跟踪噪声功率谱估计的相干滤波与广义旁瓣抵消的麦克风小阵语音增强算法。该方法先利用最小跟踪噪声功率谱估计的相干滤波抑制弱相关噪声,再结合广义旁瓣抵消与端点检测抑制强相关噪声。实验结果表明,方法更加有效地抑制噪声的影响;并提高了语音的可懂度。     

基于递归最小追踪的噪声互功率谱估计算法

针对改进最小追踪噪声互功率谱估计方法存在的噪声过估计的问题。提出一种基于递归最小追踪的噪声互功率谱估计算法。该方法中的平滑因子使用了递归平均技术,在估计噪声互功率谱时,会根据每个频点的实际信噪比作相应的调整。仿真结果表明,该噪声估计算法应用于一个语音增强系统时,取得了较小的噪声均方估计误差及较好的感知语音质量评价(PESQ)得分。     

相干滤波与广义旁瓣相消器结合的小阵列语音增强算法

相干滤波器与广义旁瓣相消器(GSC)是常用的阵列语音增强算法,然而,应用于小阵列中却存在消噪能力不足的问题。针对上述问题,本文提出一种相干滤波与广义旁瓣相消器结合的小阵列语音增强算法。首先,利用广义旁瓣相消器对带噪语音进行初步增强。然后,通过改进的最小搜索算法估计出信号里残余噪声的功率谱密度,从而获得相干滤波器的传递函数。最后,利用相干滤波器对带噪语音进行再次增强。仿真实验表明:在多种不同的噪声环境下该算法具有较好的噪声抑制能力。     

低信噪比下基于短时谱估计的语音增强

针对在弱语音信号和低输入信噪比(SNR)情况下,基于短时谱估计的语音增强算法性能下降的问题,提出了一种结合软判决信息和人耳听觉掩蔽效应的短时谱估计算法。该算法在最小均方误差准则下引入语音存在的概率,得到软判决修正的增益函数,然后利用掩蔽门限不断地调整增益函数,进而调整噪声的抑制程度,保护微弱的语音信号,减少语音谱的失真。客观测试和主观试听表明,该算法在信噪比增益以及语音的可懂度、自然度方面都优于传统的最小均方误差估计算法。     

基于NPEC-OMP的语音增强算法

在基于压缩感知的语音增强技术中,由于传统OMP算法的去噪是通过经验选择阈值或者控制迭代次数实现的,去噪效果不是很稳定,提出了基于噪声功率谱估计终止准则的OMP算法(OMP algorithm based on termination criterion of noise power spectrum estimate,NPEC-OMP),该算法将改进的最小控制递归平均算法得到的噪声功率谱估计值作为OMP算法的迭代终止阈值,然后应用于不同噪声源和信噪比的语音增强处理中。通过该算法和传统的谱减法、子空间法在语音增强中应用对比,结果表明所提方法在不同噪声条件下的语音增强效果都高于其它两种,可以适应的信噪比范围大于传统去噪方法。     

基于小波阈值多窗口功率谱估计的语音增强

提出一种有效的先验信噪比平滑方法.该方法从先验信噪比的定义出发,使用小波阈值多窗口功率谱估计方法减小语音功率谱和噪声谱的方差,从而实现先验信噪比的平滑.实验证明,该先验信噪比平滑方法解决了直接判决法在语音开始端能量较大情况下的先验信噪比延时问题,并且提高了先验信噪比的准确性;同时结合该平滑方法的语音增强方法能有效抑制“音乐噪声”,尤其在低输入信噪比时效果明显.     

语音谱减算法

本文对谱减算法和相关的语音增强系统进行了研究。针对谱减算法中的噪声鉴定、噪声功率谱估计做了讨论。试验证明，该方法符合语音特性连续变化的特点，切实有效，降低了噪声干扰，并保证了语音的可懂度和自然度不受损失。     

结合GSC与相干滤波器的二元麦克风阵列语音增强算法

提出一种相干滤波器与广义旁瓣相消器结合(GSC)的二元麦克风阵列语音增强算法.将基于噪声谱估计的单通道相干滤波器作为广义旁瓣相消器的后置滤波器,充分利用阵元间蕴含的信号进行噪音抑制,克服经典结合算法无法使用基于噪声谱估计的相干滤波器的缺点.计算机仿真实验表明,该算法明显优于小阵列广义旁瓣相消算法和基于相位差的算法.     

基于计算听觉场景分析的语音增强改进算法

针对单通道语音增强问题,基于计算听觉场景分析(CASA)的原理,提出了一种基于CASA计算模型的语音增强改进算法。该算法在特征提取中选择了目标语音有效能量、信道互相关等特征,对语谱能量和互相关特征的阈值选取进行了改进。在5种低信噪比噪声干扰条件下的仿真实验结果证明,该算法输出增强语音的信噪比平均提高了9.32dB,有效地抑制了噪声。     

失真控制下的短时谱估计语音增强算法

针对传统谱估计增强算法易产生语音畸变、导致语音清晰度低的问题,提出了一种失真控制下的短时谱估计语音增强的新算法.该算法首先引入语音畸变的客观度量参数,并根据这一参数得到抑制语音畸变的约束条件,然后结合人耳听觉掩蔽特性和无语音概率参数,修正最小均方误差对数谱估计函数,最后联立约束条件和估计函数,得到增强后的语音,从而实现了在噪声抑制和语音畸变之间的折中,改善了语音增强的效果.主观试听和客观测试结果均表明,与其他谱减法相比,在相同的信噪比和去噪度条件下,新算法的语音畸变度最小且几乎察觉不到音乐噪声.     

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。     

一种基于窄带自相关的实信号频率估计算法

单频含噪实正弦信号的自相关函数和其原信号的频率一致,且自相关可去除一部分噪声影响,因此基于自相关的频率估计算法一直备受关注。由于自相关可以从时域获得也可以从频域获得,基于自相关的频率估计算法有比较简单的基于时域的方法和性能比较好的基于频域的算法。结合时域和频域自相关的特点,提出一种基于窄带自相关的实信号频率估计算法,该算法在频域进行谱峰搜索后,利用信号的窄带功率谱来计算自相关,进而用简单的时域自相关的改进协方差算法(modified covariance,MC)来得到频率估计,推导出频率估计闭式解。仿真结果表明该算法性能优于传统的自相关时域算法和频域算法,在信噪比高于-7 dB时就能逼近CRB界。     

融合数据预滤波和频谱展宽的骨导语音增强方法

骨导语音具有天然的抗环境噪声能力，然而，受骨导麦克风佩戴位置和方式的影响，骨导语音在采集过程中常混入骨导麦克风与皮肤或衣服之间的摩擦声，导致现有基于深度学习的骨导语音增强方法鲁棒性不高、适应性不强。为提高骨导语音增强的鲁棒性，提出一种融合数据预滤波和频谱展宽的骨导语音增强方法。该方法首先通过低通滤波对骨导语音数据进行预处理以去除高频噪声，然后对预滤波后的骨导语音进行时频变换，并分别基于U Net和CRNN两种深度网络进行频谱展宽，最后通过时频逆变换重构出全频带语音。仿真结果表明，与现有深度网络增强方法相比，所提方法可以取得更好的PESQ和STOI客观评价指标，主观听感具有更好的清晰度，且对不同说话人具有更好的适应性。     

非协作通信中的信噪比估计算法

研究基于信号协方差矩阵分解的信噪比估计算法.该算法使用最小描述长度准则实现了信号空间维数的估计,进而实现信噪比估计.在此基础上,提出了基于信号功率谱的信噪比估计算法.由该方法计算出接收信号的功率谱,估计出有用信号的带宽,在有用信号频带外的噪声频带上估计出噪声的功率,从而估计出信噪比值.仿真实验表明,当信噪比小于3dB时,基于信号功率谱的信噪比估计算法优于基于信号协方差矩阵分解算法.     

高阶谱分析在抗噪语音编码中的应用

将高阶谱分析技术应用于语音编码中以提高其抗噪声的性能,给出了两处利用高阶量提取语音参数的语音编解方案：a．采用高阶累积最小二乘直接估计法提取语音参数进行编码;b．采用高阶累积量SVD－TLS估计法提取语音参数进行编码,研究结果表明,这两种方案在噪声环境中工作时,具有极好的抗高棋朋色噪声和对称分布噪声的能力,总的抗噪性能明显优于传统的LPC声码器。     

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.