基于计算听觉场景分析的改进清音分离方法

基于计算听觉场景分析(CASA)的单通道语音分离方法在浊音分离领域已发展得较为成熟,然而由于清音信号具有较小的能量且不包含周期性基音特征,因此清音分离具有较大的困难。根据噪声信号分布的不确定性和不稳定性,提出了基于CASA和谱减的改进清音分离方法。改进方法在剔除了浊音块后,通过基于距离加权的残余噪声估计算法得到每个清音单元中所包含的噪声能量,对每个清音单元进行谱减算法并标记,进一步剔除残余噪声单元,提取出清音信号。实验结果证明:与传统清音分离方法相比,改进方法对时变性残余噪声能量的估计结果更加精确,更能提高清音分离的有效性。     

基于最小均方的自适应滤波时差估计研究

时差估计的研究中,基于雷达信号的复杂多样性,采用最小均方自适应滤波算法,其基本原理是应用梯度下降法并通过权值衡量误差来实现滤波.对基本最小均方算法和变步长最小均方自适应算法进行仿真验证,选出最优算法,并利用sinc函数内插实现分数倍时差估计.算法仿真结果表明,对接收机离散信号的点数时差估计的误差精度提升至10倍左右.     

清浊音分段判决的递推最小二乘自适应算法

在"零-能"判决法的基础上,结合递推最小二乘(RLS)对非平稳信号的自适应跟踪能力,提出自适应的清浊音分段算法.算法能够快速实现语音信号清浊音的精确分段,不需要通过样本集训练进行参数调整.其自适应能力是在单一话音样本上实现的,由RLS算法在清音段、浊音段及清浊音段交界处不同的跟踪能力来判别清/浊音段.与基于阈值的方法不同,算法基于极值点的识别,避免各种基于样本集训练的自适应学习算法在泛化能力上的缺陷,对于不同采样率、说话人、音量、背景噪声等变化因素,具有较强的自适应处理能力.     

一种适用于双微阵列的语音增强算法研究

考虑到传统单通道语音增强算法对噪声抑制的局限性,本文采用由两个微型麦克风阵列组成的双微阵列,利用该阵列空间结构的时空域特性对含噪语音进行处理,提出了一种适用于双微阵列的语音增强算法。该增强算法是将各通道采集到的带噪语音信号先使用对数最小均方误差(Logarithmic Minimunm Mean Square Error,LogMMSE)提升其信噪比,然后利用频域宽带最小方差无畸变响应(MVDR)通过对目标声源信号的获取,保留目标声源方向的信号并抑制其他方向的信号干扰,最后通过一个改进可懂度结合改进最小控制递归平均(Improved Minimum Controlled Recursive Average Algorithm,IMCRA)噪声估计的维纳滤波器来去除噪声残留提升语音质量。仿真实验结果表明,相比传统的单通道语音增强算法,该算法具有良好的噪声抑制性能。     

α稳定噪声下最小均方Sigmoid误差自适应时间延迟估计

为解决脉冲噪声下最小均方误差自适应时间延迟估计算法估计性能的退化问题,以对称α稳定分布模型描述脉冲噪声,提出最小均方Sigmoid误差自适应时间延迟估计算法.该算法通过对误差信号求取Sigmoid变换,抑制了较大误差对估计结果的影响.以最小均方Sigmoid误差代替最小均方误差作为优化准则,迭代模拟信道延迟效应的滤波器权系数,其收敛时峰值的位置就是所要估计的时间延迟.仿真结果验证了该算法在高斯和非高斯对称α稳定分布噪声条件下的优良估计性能,说明最小均方Sigmoid误差是一种韧性的最优准则.     

基于语音特征的自适应压缩感知

利用语音在DCT域的稀疏性,提出了一种基于语音分为清音和浊音的特点,自适应分配观测点数的语音重构方法.首先根据清浊音在整个语音段占有的能量比分配观测点,然后判断每帧语音性质.如果是清音,则根据能零比的大小来分配该帧的观测点数;如果是浊音,则根据能量的大小来分配观测点数.实验表明:语音信号是稀疏的并且可压缩,在同种压缩比下,文中所采用的语音重构算法具有较好的信噪比、误差以及MOS分.     

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.     

基于短时对数谱的MMSE语音增强算法研究

研究了单话筒采集条件下基于语音短时对数谱的最小均方误差(MMSE-LSA)估计的语音增强算法,给出了其算法分析的基本流程图.由于语音是时变的,因此,假设语音频谱分布为高斯分布,在此基础上讨论了MMSE-LSA算法的先验信噪比ξk的2种估计方法--最大似然估计方法和直接判决估计方法.试验证明此方法的语音增强效果较好,尤其在较低信噪比时效果更明显.     

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。     

一种改进的LSA语音增强算法

针对说话人识别的噪声鲁棒性问题,在对数谱最小均方差误差估计算法基础上,采用改进的最小值控制递归平均算法对语音帧信噪比进行估计,通过对前一帧的短时功率谱进行2次平滑和前向多帧最小值搜索,结合语音存在概率估计出当前帧的信噪比,并根据信噪比自适应调整增益因子的大小,对噪声进行消除。构建了一种改进的LSA语音增强方法,使用该方法可以使增强后的语音保持较高的自然度。实验结果表明,与MMSE-LSA算法比较,改进的LSA算法具有更好的语音增强效果,在5dB各类噪声环境下,其平均信噪比较MMSE-LSA算法提高1.36dB,主观语音质量评估平均提高8%。将该方法用于说话人识别系统,其检测代价较采用MMSE-LSA算法的系统平均降低3%。