线性动态系统基于块采样的卡尔曼平滑推理算法

针对线性动态系统在复杂噪声环境中的不确定性的传递问题,提出了用块采样推理方法逼近状态和噪声的后验分布.该方法在时序采样中,样本在基于条件独立性准则下可一次性更新,这通常比单独更新来得简单和有效.通过引入Dirichlet过程混合模型(Dirichlet Process Mixture,DPM),能够较方便地获得马尔科夫链式样本.结合卡尔曼平滑技术,使块采样算法能够在分布空间逼近基础上取得较高的精度.仿真结果显示,块采样平滑算法具有较好的效果.     

基于EMD的前后置滤波语音增强算法

针对低信噪比下语音增强困难的问题及经验模态分解(empirical mode decomposition,EMD)在语音增强中的有效应用,提出了一种基于EMD的前后置滤波语音增强算法.将含噪语音信号进行卡尔曼滤波后做EMD分解,采用能量阈值法判断出含有残余噪声的本征模态函数(IMF),对其小波变换后与其余IMF重构为最终的语音增强信号.实验表明,在输入信噪比为-10~5dB的不同噪声环境下,以时域分段信噪比及语音质量感知评测PESQ作为评价指标,效果均优于单独的EMD、小波软阈值法及卡尔曼滤波算法,是一种有效的语音增强算法.     

一种基于非参数贝叶斯理论的语音增强算法

提出一种基于非参数贝叶斯理论的语音增强算法,在稀疏表示的框架下,把字典学习、稀疏系数表示和噪声方差估计融合成一个贝叶斯后验估计的过程,并利用Spike-Slab先验加强稀疏性.首先,将带噪语音分解为干净语音、高斯噪声和残余噪声3个子信号,分别对该3种子信号采用不同的先验概率模型表达,接着采用马尔科夫链-蒙特卡洛算法计算出3个模型中每个参数对应的后验概率,最后基于稀疏表示的框架重构出干净语音.实验数据使用NOIZEUS语音库,采用PESQ和SegSNR作为质量评价指标,分别在信噪比为0,5和10dB的高斯白噪声、火车噪声和街道噪声上验证了其可行性,并与多种常用语音增强方法进行对比,发现其在低信噪比非平稳噪声情况下的增强效果更为理想.     

基于FDM阵列技术的双通道语音增强方法

为了抑制小型语音通信设备中的方向性噪声干扰问题,提出一种双通道的语音增强算法.该方法基于一阶差分麦克风(first-order differential microphone, FDM)阵列,并结合单通道的谱增强技术,可以同时提取语音和噪声估计,并能够实时地修正噪声谱.与现有的双通道语音增强技术相比,该算法可以获得2~6 dB的输出信噪比增益,且计算量减少了2/3.仿真结果表明: 该方法有效地改善了算法的噪声消除性能,且更适用于实时的语音增强系统.     

基于谱增益迭代的先验信噪比估计语音增强算法

结合经典的谱增益算法和迭代算法,提出了一种基于谱增益迭代的先验信噪比估计语音增强算法.也就是通过谱增益的循环迭代,实现纯净语音信号估计逐步逼近真正的纯净语音,然后根据先验信噪比定义更新先验信噪比的估计值,反过来,又更新了谱增益值,从而实现噪声消除.同时这种方法解决了基于直接判据算法,先验信噪比估计值比后验信噪比估计值延迟一帧的问题,从而有效地消除"音乐噪声".试验表明,这种算法能够有效地消除噪声.     

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.     

基于卡尔曼滤波和模糊集的地下水污染羽识别

在场地信息不确定性的前提下基于卡尔曼滤波技术和模糊集合理论提出一种地下水污染羽识别的方法.利用卡尔曼滤波技术通过连续作用采样点更新综合污染羽与误差协方差矩阵,并结合误差协方差矩阵和不确定度的关系进行新采样点的选取;引入模糊集理论进行污染羽的模糊对比,以确定污染源的权重.算例研究表明,该方法是一种有效的污染羽识别算法,能够以尽可能少的采样点确定污染源的位置,并较为准确地达到识别污染羽的目的.     

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.     

改进卡尔曼算法在电子鼻信号处理中的应用

为了降低的电子鼻测量过程中噪声信号对采样结果的影响,提出一种改进的自适应卡尔曼滤波算法,该方法能自适应调整测量方差以及能够滤除传感器本身具有的非高斯噪声信号.针对电子鼻测量过程中的信号特性,建立了测量数据处理的卡尔曼滤波模型,重点讨论改进卡尔曼滤波算法,并将该算法应用到电子鼻测量数据处理过程中,结果表明该方法能够拟制电子鼻测量过程中产生的噪声,提高电子鼻的测量精度.     

基于隐变量后验生成对抗网络的不平衡学习

针对现有不平衡分类问题中过采样方法不能充分利用数据概率密度分布的问题,提出了一种基于隐变量后验生成对抗网络的过采样(LGOS)算法.该方法利用变分自编码求取隐变量的近似后验分布,生成器能有效估计数据真实概率分布,在隐空间中采样克服了生成对抗网络采样过程的随机性,并引入边缘分布自适应损失和条件分布自适应损失提升生成数据质量.此外,将生成样本当作源领域样本放入迁移学习框架中,提出了改进的基于实例的迁移学习(TrWSBoost)分类算法,引入了权重缩放因子,有效解决了源领域样本权重收敛过快、学习不充分的问题.实验结果表明,提出的方法在分类问题各指标上的表现明显优于现有方法.     

基于WGAN的语音增强算法研究

带噪语音可看成由独立的噪声信号和语音信号经某种方式混合而成,传统语音增强方法需要对噪声信号和干净语音信号的独立性和特征分布做出假设,不合理的假设会造成噪声残留、语音失真等问题,导致语音增强效果不佳。此外,噪声本身的随机性和突变性也会影响传统语音增强方法的鲁棒性。针对这些问题,使用生成对抗网络来对语音进行增强,给出一种基于Wasserstein 距离的生成对抗网络(Wasserstein generative adversarial nets, WGAN)的语音增强方法来加快训练速度和稳定训练过程。该方法无需人工提取声学特征,且使语音增强系统的泛化能力得以提升,在匹配噪声集和不匹配噪声集中都有良好的增强效果。实验结果表明,使用训练出的端对端语音增强模型后,语音信号的客观评价标准(perceptual evaluation of speech quality,PESQ)平均得到23.97%的提高。     

一种语音增强算法的研究

采用基于子空间的方法，对语音信号进行增强处理，该算法提供了在语音信号失真和残留噪声之间进行控制的机制。克服了以往语音增强算法中对语音信号的噪声特点的限制，可以对混有加性白噪声、有色噪声和音乐噪声的语音信号进行增强处理。     

自适应高斯混合模型语音增强方法

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．针对噪声环境下的语音增强问题,提出了一种语音增强新方法．该方法利用小波子带的方向性特点以及小波系数尺度内的相关性,将小波系数的概率分布建模为一种自适应高斯混合模型,在贝叶斯框架中采用这种概率模型可以得到一种具有空间自适应性的贝叶斯萎缩函数．利用这种萎缩函数可以实现对小波系数的修正．仿真实验表明,该算法对于噪声有较好的抑制作用,该算法在主观和客观测试中都具有良好的语音增强效果,可以在语音识别、语音编码中获得应用．     

基于Gibbs-DA算法的贝叶斯分位回归模型研究

针对分位回归模型参数的不确定性风险问题,构建了基于Gibbs-DA抽样算法的贝叶斯线性分位回归分析模型.根据非对称Laplace分布的正态-指数分布的混合表示性质,利用数据扩展方法构建了潜变量,给出分位回归模型的似然函数,推断了多元正态先验分布条件下分位回归模型参数的后验分布,证明了潜变量的完全条件分布为广义逆高斯分布;结合Gibbs抽样和数据扩展方法,设计Gibbs-DA的仿真分析方案,并将其应用于我国能源消耗问题分析.研究结果表明:贝叶斯方法可以有效地应用于分位回归的建模以及我国能源消费弹性的分位问题研究.     

语音增强系统中宽带噪声的滤除

针对宽带噪声的特点,探讨了利用谱减法的改进形式进行语音增强处理,以实验结果说明了参数ｍ、ｎ的取值与增强效果的关系,当ｍ、ｎ取值恰当,则可获得较为理想的增强效果。在估计噪声的短时能量谱时,采用了低信噪比自适应有声／无声算法来判别纯噪声的信号帧,实时估计噪声,提高了噪声估计的准确度,取得了较好的语音增强效果。     

PMC在噪声环境下的语音识别中的应用

今天的语音识别正处于由实验室技术走向实用化,产品化的关键时期,然而,现有的绝大我数语音识别系统在噪声环境中的性能都不可避免地急上降,环境噪声已经成为语音识 技术商品化的一个主要障碍,因此在语音识 技术逐渐走向实用化的过程中,噪声语音识别日益成为一个重要的研究领域,遗憾的是,由于噪声语音识 问题本身的复杂性,至今还没有一种方法可以圆满地解决这一问题,拟从模型补偿方面,对噪声环境下的孤立词语音识别进行一些探索,重点研究一个在噪声环境下的语音识别算法－－并行模型组合方法（PMC）,详细论述了其原理以及在噪声环境下的语音识别中的应用。实验中,我们使用汉语的数字语音,分别在3种不同噪声不同信噪比条件下对这一方法进行了识别率测试,结果显示,该方法有着令人振奋的识别效果。     

一种联合GSC麦克风阵列和MMSE-LSA的语音增强系统

单通道语音增强算法自上个世纪60年代已来有了长足的发展,但由于时频域处理的局限性,目前现有的单通道语音增强算法无法有效抑制背景噪声中的突发噪声成分。突发噪声通常表现为短时、能量强、时频域有纹理特征的噪声,在参数上无法和语音进行有效区分。但对于背景噪声中的突发噪声,其在空间上通常是具有方向性。因此,本文提出了一种联合空间和时频域的语音增强系统。即在语音采集的前端使用GSC麦克风阵列形成波束,使主瓣对准期望语音信号、旁瓣对准突发噪声从而从空间上抑制突发噪声,然后对采集到的语音信号进行时频域语音增强处理。本文选取MMSE-LSA作为时频域的处理算法,因其在保留语音的可懂度、自然度方面有突出的性能。实验表明,该系统可以有效地抑制含有突发噪声的背景噪声。     

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.     

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。     

联合波束形成与谱减法的麦克风阵列语音增强算法

考虑到封闭环境的散射噪声场中，传统波束形成方法及单通道谱减法对噪声抑制的局限性，提出一种将波束形成方法与谱减法相结合的麦克风阵列语音增强方法．该方法首先通过波束形成器的空间滤波作用，将波达方向不同的语音信号和噪声信号加以区别，再经过延时补偿单元的相应处理，从而达到衰减噪声的目的，然后采用谱减法对波束形成器输出端的残留噪声进行后置处理．仿真实验结果表明。在小房间混响情况下，与其他方法相比，该方法不仅运算量小。而且具有良好的噪声抑制性能．