基于尺度噪声能量估计的自适应语音去噪算法

摘要：
针对语音增强技术中的信号去噪问题,提出了一种非线性小波自适应阈值去噪方法.该方法采用一个改进的阈值函数,克服了传统软、硬阈值函数的缺陷;在阈值选取规则中,引入尺度相关去噪法而自适应地选取尺度阈值,利用小波系数在空间尺度的相关性进行尺度噪声能量的估计,根据所得尺度噪声能量来选取对应尺度层中的最佳小波系数并作为该尺度的阈值;同时,应用该方法对不同强度噪声背景下的语音信号进行去噪.结果表明,其具有较好的降噪性能. 关键词：
语音信号; 滤波; 小波变换; 噪声能量; 自适应阈值 中图分类号： TN 912.3
文献标志码： A     

基于自适应的小波阈值和GTEO进行说话人识别

小波压缩是基于小波系数的阈值的一个简单去噪方法.它对于所有的含噪语音,都使用一致的阈值,不仅压缩了噪声,也压缩了部分语音成分,因此滤掉的语音感知质量会受到极大的影响.在小波去噪过程中采用了自适应阈值小波包方法.同时把小波去噪和推广的TEO结合起来,去提高系数的鲁棒性.为了进一步提高识别率,在识别阶段,采用改进的MCE算法.实验结果显示,提出的方法取得了较好的效果.     

小波包多阈值去噪的一种改进方法

针对含噪信号中信号与噪声在频域内分布的差异性,通过小波包分解,将得到的小波包按照频率顺序重新排列,经过能量的比较将小波包分为3段进行阈值处理,实现多阈值去噪.仿真结果表明,与常用的Stein无偏似然估计阈值、极大极小准则闽值和固定形式阈值等方法比较,改进方法去噪效果更佳.     

基于离散小波变换与小波包分解的语音增强算法

提出了一种基于离散小波变换（DWT）和小波包分解（WPD）的语音增强算法.该算法首先将带噪语音进行离散小波变换,并分别对离散逼近信号和离散细节信号采用不同的基小波进行小波包分解,再按照不同的规则选取阈值进行去噪,最后对去噪后的语音信号完成重构.计算机仿真表明,在计算量相当的情况下,该算法优于离散小波变换法去噪和小波包分解法去噪.     

基于小波变换在语音信号处理中的研究

本文主要基于小波变换对语音信号去噪进行研究,首先介绍了基于小波变换的信号去噪方法以及在语音去噪中的应用,在语音去噪中最关键的问题就是如何有效的选定合适的阈值,本文对几种阈值选取规则进行了讨论。     

基于改进的小波阈值去噪和二级判断模型的说话人识别

针对目前说话人识别系统中噪声使得识别率严重下降的问题,在特征提取前用小波阈值去噪方法对带噪语音进行去噪处理.对于小波阈值函数以及阈值的选取进行研究,提出一种改进的阈值函数,小波阈值中的噪音方差估计采用基于实际噪音方差估计的谱熵法,将改进的小波阈值去噪结合一种二级判断模型提高噪声环境下的说话人识别率.在不同信噪比条件下进行试验,改进的小波阈值去噪法优于传统小波阈值去噪方法,改进后的阈值函数与二级判断模型相结合的识别率比原始语音DTW模型提高了7.9%,比原始语音GMM提高了4.6%,对于短时语音有较好的识别率.     

基于波原子变换的语音信号去噪

波原子转换是在小波转换的基础上扩展出的一种转换方式,由于语音信号的非平稳性,传统的小波阈值去噪算法虽然能够去除一部分语音信号中的噪声,但造成有用语音信号尤其是清音部分的损失,导致去噪后的语音听觉质量下降,达不到很高的信噪比。针对这一问题,该文利用了波原子变换法对语音信号进行去噪,通过相同阈值下小波去噪后的效果,该方法能有效去除信号中的噪声和较好保留语音细节,达到更佳的语音净化效果。     

基于小波阈值法的语音增强算法研究

随着小波变换理论的不断发展,小波变换去噪法不断丰富,小波阈值去噪法以算法简单、计算量小,吸引了众多研究者。通过对小波阈值去噪法传统阈值函数的研究,发现软硬阈值函数都存在着缺点;改进的半软阈值法综合了两者的优点,改正了两者的缺陷,明显改善了语音增强效果。并提出一种基于小波阈值去噪法与谱减法结合的改进算法,在较低信噪比下进行仿真,很好地抑制背景噪声和音乐噪声,减少语音信号的失真。     

基于小波熵的最优阈值去噪方法

小波去噪的核心问题是如何选取合适的阈值函数,进而估计出原始信号的小波系数.现有的改进去噪函数中大都含有需要根据经验来确定的待定参数,易用性和去噪效果均不理想.基于信号的小波熵理论,提出了令去噪后得到原始信号和噪声信号的小波熵之和为最大、从而获得了最优的小波软阈值去噪函数.对含噪声的Blocks信号进行仿真分析的结果证实了文中提出方法的有效性,该方法比采用软、硬阈值方法具有更好去噪效果.     

改进的小波阈值去噪法及其在语音信号去噪中的应用

语音信号是一种非平稳的时变信号,利用小波对非平稳信号处理具有明显的优势。小波阈值去噪算法因其算法简单,计算量小而广泛应用于信号去噪。但是硬阈值函数易造成信号振荡,软阈值函数引入固定偏移从而造成高频信息丢失。基于上述两种方法的不足,提出了一种改进的阈值函数并且对该函数引入的可变参数进行了自适应确定。仿真结果表明该方法在可以有效去除噪声的同时,减少了信号振荡,保留了信号高频成分即保留了信号尖峰点信息,改善了语音质量。     

改进的小波变换阈值去噪方法

针对Donoho的阈值去噪方法有时去噪效果不能令人满意的问题,提出了一种二次小波变换阈值去噪的方法--对小波变换各个尺度上的小波系数都进行二次小波变换,并进行去噪处理后重构小波系数,再由重构的小波系数重构原信号,此时原信号中已去除大部分随机噪声,此后再对重构后的原信号进行小波域阈值去噪.仿真结果表明:该方法具有良好的去噪效果,而且对信号的主要细节保留较好.     

双模噪声背景下多阈值小波包在信号消噪中的应用

针对一类非高斯噪声——双模噪声信号进行消噪时,传统小波变换和小波包变换在选取恰当阈值准则及阈值量化时存在困难,通过详细分析双模噪声信号结构及频率分布特征,在将小波包分解频带按照频率顺序排列且通过比较最底层子空间节点能量大小的基础上,提出一种将频带进行多分段的多阈值小波包消噪方法.实验结果表明:在双模噪声且信噪比相同情况下,该方法比传统的多尺度小波软阈值、小波包自适应阈值消噪效果都优越,是一种非常有效的信号消噪方法.     

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．     

一种分层阈值优化的语音感知小波去噪方法

通过分析含噪语音信号的特点,引入能够兼顾人耳听觉特性的听觉感知小波变换,构造了新的小波阈值函数,并对小波变换分解后的阈值进行基于微粒群算法的分层优化.仿真实验表明,该方法在不同信噪比条件下均具有较好的去噪性能,语音的可懂度和听觉效果得到有效提高.     

基于小波变换的语音增强去噪方法

将小波变换应用到语音识别系统中,提出了在语音信号预处理阶段基于小波变换估计的维纳滤波算法,结合小波变换的阈值处理方法对语音信号进行去噪处理,模拟实验表明该方法去噪效果较好.     

基于改进小波阈值函数的语音增强算法研究

针对传统的小波阈值去噪算法中的阈值函数不足,提出一种优于非负死区阈值函数的改进的阈值函数.改进阈值函数不仅具有良好的连续性、可导性,并且克服了非负死区阈值函数没有考虑小波变换模值的衰减符合指数规律这一特点.另外在阈值的选取中,考虑了带噪语音信号的不同特性,采用谱平坦度函数修正阈值.仿真实验表明,与传统的非负死区阈值函数去噪算法相比,改进的阈值函数能更有效地消除背景噪声,在提高输出信噪比的同时,更好地保持语音质量和清晰度.     

LMD和改进小波阈值去噪的轴承声发射信号故障诊断

针对机械故障声发射信号特征提取的问题,提出了一种局部均值分解(local mean decomposition,LMD)和改进的小波阈值去噪相结合的方法;并应用于滚动轴承的故障诊断。首先,把改进小波阈值与三种小波阈值去噪方法进行比较分析。通过仿真信号表明,改进小波阈值方法能更为有效地去除噪声。其次,采用LMD方法将原始轴承故障的声发射信号分解,分解为若干个乘积函数(production function,PF)的线性组合,通过相关系数原则选取能够反映故障特征的PF分量,利用改进小波阈值去噪法对选出的PF分量进行进一步去噪。最后,对去噪后的声发射信号进行包络谱分析,诊断轴承故障的位置。通过滚动轴承单一故障和耦合故障的声发射实验验证了该方法的有效性。     

一种基于模糊小波变换的图像噪声消除算法

在局部软阈值消噪算法的基础上,对水平和垂直方向的高频系数采用模糊中值滤波进行改进,提出一种基于小波变换和模糊中值滤波的消除高斯噪声和盐椒噪声的新算法,并对该算法采用Matlab6.5做仿真实验,将该算法与小波全局软阈值去噪算法、局部软阈值去噪算法和小波包阈值去噪算法进行比较.结果显示,该算法具有更稳健的去噪性能,而且能较好地保留边缘信息.     

汽车振动信号去噪分析中的小波参数选择

对振动信号阈值去噪中的小波母函数、阈值大小以及系数的量化方法的选择进行了研究。根据去噪性能的信噪比增益和去噪因子2个评价指标,对Daubechies小波系和Symlets小波系的30种小波母函数进行了筛选,选取db13和sym11小波作为较优小波母函数;介绍了自适应阈值的计算方法,在此基础上分析了传统软硬阈值方法的优缺点,提出了一种改进的阈值方法,并将它们应用于仿真信号和实际汽车振动信号的去噪,取得了较好的去噪效果。     

针对医学图像的小波阈值去噪方法

为了改善小波阈值去噪算法中硬阈值和软阈值存在的不足,提出一种新的小波阈值去噪方法.该算法在进行小波阈值去噪前,先将图像分割成背景平坦区域和细节区域两部分,然后分别进行小波阈值去噪,最后融合两图像从而获得去噪图像.在分别进行小波阈值去噪时,利用迭代法进行阈值选择,采用"软、硬阈值折中"阈值函数.根据对医学图像去噪的仿真实验结果表明,该算法在去噪效果上均优于传统的软硬阈值方法.