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.     

一种改进的语音识别抗噪算法

为了提高在噪声环境下的语音识别性能,提出一种融合信号级和特征参数级抗噪的抗噪算法.该算法首先对带噪语音用最小均方误差估计法进行语音增强,后端对原始的带噪语音运用自相关法,以有效抑制加性和卷积噪声.实验结果表明,该算法能有效提高系统在噪声环境下,特别是低信噪比情况下的识别率.     

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.     

贝叶斯非负矩阵分解语音增强的优化算法

为改进传统贝叶斯非负矩阵分解(BNMF)语音增强算法的性能,提出基于高斯混合模型的贝叶斯非负矩阵分解语音增强算法。该算法分为训练和增强两个阶段,训练阶段,对纯净语音与噪声分别进行训练,得到纯净语音字典、噪声字典与联合字典;增强阶段,采用最小均方误差法(MMSE)从带噪语音中重构原始干净的语音,达到语音增强的目的。实验表明,该算法在提高语音质量和抑制背景噪声等方面,均优于非负矩阵语音分解(NMF)算法与BNMF算法。     

基于减谱法的语音增强和噪声消除的研究

介绍了减谱法进行语音增强的一种方法 .分别对语音和噪声信号进行傅立叶变换 ,求得它们的频谱 ,相减得到的是去噪后语音的频谱 ,再进行傅立叶反变换 ,即可得到增强语言信号 ,从而有效地抑制了噪声     

基于压缩感知过程的语音增强

压缩感知(compressive sensing,CS)是一种基于信号稀疏性的采样方法,可以有效提取信号中所包含的信息。该文提出了一种基于CS过程的语音增强新算法。算法利用语音在离散余弦变换(discrete cosine transform,DCT)域下的稀疏性,采用Hadamard矩阵对带噪语音进行压缩测量,通过改进的正交匹配跟踪(orthogonal matching pursuit,OMP)算法恢复语音信号,实现语音增强。与经典谱减法和子空间算法进行实验对比分析,结果表明:该算法在降噪性能上优于经典谱减法和子空间算法。     

基于子带ICA-R和收缩函数后处理的语音增强方法

针对噪声和混响情况下的语音增强问题,本文给出一种基于子带独立分量分析(ICA-R)算法和收缩函数后处理的语音增强方法.该方法将ICA-R和收缩函数算法相结合,在噪声和混响环境中通过对两路带噪语音信号进行增强处理,以实现增强目标语音信号的目的.首先对两路带噪语音信号进行子带分解;然后在子带内利用ICA-R算法从带噪语音信号中提取出子带目标信号,再经过综合滤波器形成全带目标信号;最后,将该信号经收缩函数后处理,得到增强后的目标语音信号.用实际录制的带噪语音信号对本文方法进行了测试,实验结果表明,该方法具有较强的噪声抑制能力,对语音信号造成的损伤较小.     

基于噪声特性的语音增强算法

针对不同的语音增强算法对不同噪声的增强效果不同,提出了一种基于深度神经网络的噪声分类的语音增强算法。首先,使用深度神经网络(DNN)算法对噪声进行分类。分类算法包括训练阶段和分类阶段。在训练阶段,采用babble,car,street,train四中噪声对DNN进行训练;在分类阶段,将提取的噪声输入训练好的DNN中,得到分类结果,并对分类性能进行评估。其次,采用PESQ,LSD及SNR等语音评估方法,对不同的含噪语音在不同信噪比、不同语音增强算法下进行评估。语音增强算法包括子空间法、维纳滤波算法、谱减法及对数最小均方误差法(log MMSE),噪声包括babble,car,street,train,信噪比为-5db,0db和5db,并对通过评估得到的值采用平均值法得到噪声和语音增强算法的最佳匹配;最后,针对不同分类噪声,采用不同的增强算法进行语音增强,并对4种噪声之外的噪声根据本文算法选取相应的语音增强算法。     

自适应小波阈值语音增强新方法

针对单一小波闻值语音增强方法降低语音可懂度这一问题,提出一种基于自适应小波闻值的语音增强新方法．根据噪声帧频谱的平整度判断出噪声的类型,即是白噪声（合频响曲线比较平整的有色噪声）还是频响曲线不平整的有色噪声．由于不同类型的噪声具有不同性质的Lipschitz指数,对两种不同的噪声类型分别采用不同的自适应小波阚值对带噪语音信号进行增强处理．用计算机仿真和实际环境录制的语音数据对该方法的性能进行了测试,实验结果表明在两种实验数据情况下,该方法均具有较好的噪声抑制能力．     

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．     

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。     

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。     

基于小波域的三种信号增强算法研究

介绍了三种基于小波域的增强算法,即模极大值重构增强算法、空域相关增强算法、小波阈值增强算法,并且分别比较了各自的优缺点。利用上述的增强算法对带噪的语音信号进行去噪仿真,结果表明,小波阈值增强算法效果最好。     

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。     

单通道语音增强中深度学习方法研究现状与展望

语音增强是语音信号处理领域一种传统且依然非常活跃的研究分支。单通道语音增强是指从单个麦克风采集的带噪语音中尽可能恢复出干净语音，在移动通信、语音交互、数字助听等领域有重要的应用价值。传统的单通道语音增强技术在处理平稳噪声时已取得较好的增强性能，但在非平稳噪声条件下增强效果依然难以令人满意。近年来，随着人工智能的快速发展，基于深度学习的单通道语音增强在处理非平稳噪声问题方面已取得明显的进展。通过系统梳理单通道语音增强中深度学习方法的发展，并按照技术发展脉络，分基于参数映射、基于生成对抗机制和基于弱监督3个方面进行综述，介绍三类方法的基本原理，分析典型文献的技术思路，总结三类方法的优势与存在的问题，最后对深度学习技术在单通道语音增强领域的发展进行了展望。     

基于预处理VAD和自适应KLT的语音增强算法

针对加性有色噪声干扰，提出了一种单通道输入基于信号子空间的话音增强算法。算法中使用自适应的方法跟踪KLT(Karhunen—Loeve Transform)阵。运用一种近似模型来表述有色噪声的特性，并基于噪声平稳的假设，通过采用预处理技术的语音活动性检测(VAD：Voice Activity Detection)单元获取噪声样本，用于下一语音帧中噪声特性的估计和增强处理。实验表明，算法对于有色噪声干扰下的语音信号有较好的增强效果，并且性能优于改进减谱法。     

基于小波和先验信噪比维纳滤波的语音增强

描述了先验信噪比估计的维纳滤波算法,分析了小波多分辨率分析在信号频谱划分中的作用,提出一种小波和先验信噪比维纳滤波相结合的改进算法.通过小波变换对带噪语音信号进行多尺度分解,然后对不同尺度的小波系数采用维纳滤波,用滤波后的小波系数重构得到增强语音信号.通过计算机仿真实验,将提出的算法与传统维纳滤波算法进行比较.实验结果表明改进算法在低信噪比情况下有效提高了增强效果,对语音成分的影响较小,提高了语音质量.     

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。