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。     

一种联合广义旁瓣抵消麦克风阵列和MMSE-LSA的语音增强系统

单通道语音增强算法自20世纪60年代以来有了长足的发展,但由于时频域处理的局限性,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,在参数上无法和语音进行有效区分。但背景噪声中的突发噪声,在空间上通常具有方向性。因此,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。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。     

一种基于模糊系统的语音增强方法

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.讨论强背景噪声下的基于模糊系统的语音增强方法,并与减谱法语音增强算法进行比较.计算机仿真结果表明,该方法在大大消除背景噪声的同时,消除了音乐噪声,同时保持语音信号较好的可懂度.     

采用可调波束形成器的GSC麦克风阵列语音增强方法

基于广义旁瓣抵消器(generalized sidelobe canceller,GSC)算法的麦克风阵列语音增强技术已得到广泛研究,但由于其通常需传统的声源定位方法提供声源方位,语音信号信噪比(SNR)低时声源定位精度将明显下降并影响到语音增强效果.提出了一种新的麦克风阵列语音增强方法,该方法在GSC中引入可调波束形成器估计声源方位以抑制背景噪声影响.不同类型背景噪声下的实验室语音增强结果表明了该方法的有效性.     

基于子空间方位稳定性的弱目标检测方法

针对在水下未知目标检测和方位估计中,无法同时对强目标和弱目标实现检测和方位估计的问题,提出一种基于子空间方位稳定性的弱目标检测方法.该方法首先对阵元接收信号协方差矩阵进行特征分解;然后利用目标子空间波束形成所得方位估计值在真值附近、比较稳定,背景噪声子空间波束形成所得方位估计值随机分布在[0°,180°]、比较随机的特点;最后对各子空间归一化空间谱进行方位方差加权,可以进一步抑制背景噪声子空间空间谱对弱目标子空间空间谱的干扰,缩小强目标与弱目标所在方位处空间谱幅值差异.理论分析、数值模拟和实测数据处理结果均证明,在同一频带和同一波束图中,相比分子带波束形成检测法,该方法可有效增强弱目标子空间空间谱幅值,缩小强目标与弱目标所在方位处空间谱幅值差异,同时实现对强目标和弱目标的检测和方位估计.     

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.     

一种基于噪声分类的语音增强方法

为了提高噪声估计的准确性,改进语音增强方法性能,在改进的最小控制递归平均算法(Improved Minima Controlled Recursive Averaging,IMCRA)的基础上提出了一种基于噪声分类的语音增强方法。该方法首先对含噪语音进行噪声类型的判断,然后根据判定的噪声类型选取相应的最优参数进行噪声估计,最后采用最优修正的对数谱幅度语音估计计算增强后的语音。该方法相对于传统IMCRA算法,在语音信号的还原和背景噪声的抑制两方面都有较好的性能。     

被动时反混响抑制方法研究

混响是主动声纳检测中主要的背景干扰,由于其一系列特殊的性质,混响抑制一直是困扰声纳信号处理的难题。文中研究了时反混响抑制方法,并在此基础上提出了一种基于前向预测的被动时反混响抑制新方法。该方法的基本思想是：利用目标回波出现前一时刻的混响信号进行时反算子分解获得一个混响子空间,并将其作为目标回波出现时刻返回信号的混响子空间的一个预测,然后利用被动处理来抑制接收信号中的混响分量,同时保持或增强目标回波分量。该方法不仅避免了主动时反信混比增强方法需要对各个可能存在目标的距离依次进行主动发射一接收处理的重复操作,还解决了当前被动时反混响抑制方法可能会使目标回波和混响同时被抑制的问题。针对典型浅海波导环境,通过计算机仿真实验验证了所提方法的有效性。     

结合ICA预处理的麦克风阵列语音增强系统

在强背景噪声和强反射环境中,麦克风阵元接收的信号质量很差,从而影响麦克风阵列语音增强系统的性能．我们利用ICA对麦克风阵元接收信号进行分析,这种ICA预处理可以有效抑制背景噪声和回声,真实环境中的实验表明,ICA预处理能够显著改善麦克风阵列语音增强系统的性能．     

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。     

一种改进的最大似然STSA估计器

为了改进噪声环境下的语音增强效果,充分抑制背景噪声,有效消除残留“音乐噪声”,本文通过MATLAB仿真测试,对目前广泛使用的功率谱减法、维纳滤波器、最大似然短时谱幅度（STSA）估计以及最小均方误差STSA估计等语音增强算法进行了性能比较,在深入理解最大似然STSA估计算法的基础上,提出了一种针对实时应用的改进型短时谱幅度（MSTSA）估计器,实验结果显示本文提出的语音增强算法物理意义明确,复杂度较低,在低信噪比情况下能有效抑制背景噪声,在高信噪比时又能减小语音的畸变.同时,本文还提出了一种新的先验信噪     

基于最小均方误差估计的改进语音增强算法

在常规谱减法的理论基础上,针对其去噪中存在的问题,提出一种改进算法,对清音和浊音分别采用高频提升和频带加宽的处理方法,使在消除信号噪声的同时尽可能地保留信号中的弱特征成分.利用LSD和PMD公式从理论和实践两方面证明该方法在有效抑制背景噪声的同时还可以降低音乐噪声,获取最大的信噪比,减少语音失真,实现比常规谱减法更好的语音增强效果.     

采用品质因子优化和子带重构的共振稀疏分解滚动轴承故障诊断方法

针对强背景噪声下的滚动轴承早期故障诊断问题,提出了一种融合遗传算法品质因子参数优化、子带重构共振稀疏分解(RSSD)和小波变换的故障诊断方法。该方法以滚动轴承早期故障振动信号RSSD低共振分量峭度指标作为目标函数,利用遗传算法对品质因子参数组合进行优化选择。依据能量分布占优原则对低共振分量进行主子带重构、减少噪声干扰且增强故障信号冲击特征。借助小波分析局部优化和多分辨的特性,对重构低共振分量进行多尺度小波分解,提取轴承故障特征且深度挖掘轴承故障特征信息。通过滚动轴承的2种不同类型故障诊断实例表明,与一般RSSD方法相比,该方法具有更强的削弱背景噪声影响、凸显微弱故障特征的能力。     

低信噪比环境下的麦克风阵列语音识别算法研究

针对在低信噪比环境下语音增强对语音识别率的提升不明显的问题,提出一种用在识别系统前端的麦克风阵列增强算法。该阵列增强算法基于相干滤波和频率带宽波束形成后置改进维纳滤波器。首先将采集到的阵列信号,求相邻通道间的相关函数,利用阵元间信号的相关性进行初始噪声抑制,然后利用频域宽带最小方差无畸变响应(MVDR)通过对目标声源信息的获取,保留目标声源方向的信号并抑制其他方向的信号干扰,再通过改进的维纳滤波器去除噪声残留提升语音可懂度,最后用梅尔频率倒谱系数(MFCC)和隐马尔科夫模型(HMM)对增强后的语音信号做特征提取并识别。仿真过程模仿双耳采集数据,结果表明该语音增强方法在低信噪比环境下获得较好的增强效果,能有效的提高低信噪比环境下的语音识别率。     

一种基于功率因数补偿的谱相减算法改进

对带噪语音进行传统谱减增强后,会引入"音乐噪声",并造成语售可懂度急剧下降.针对这一缺点,本文提出了一种采用功率因数补偿的过减形式的谱相减算法,以提高语音可懂度.采用MATLAB对算法进行了仿真,仿真结果表明:该算法有效的抑制了背景噪声、减少了"音乐噪声",比传统谱相减算法有较大优越性.     

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。     

基于曲波变换的视网膜血管图像增强算法

视网膜血管图像存在像素对比度低等特点,干扰正常的视网膜图像分割.针对视网膜血管的图像特性,提出了一种改进的基于曲波变换的视网膜血管图像增强算法.首先选取视网膜图像的绿色通道分量进行预处理,然后通过对变换系数的自适应增强完成图像的增强处理,并结合改进的形态学变换,实现图像细节的增强和背景噪声的抑制,使得图像对比度得到增强,细节信息更加明显.通过与其他增强算法的比较表明,该算法在增强对比度、降低噪声干扰等方面优于其他算法.     

一种适用于双微阵列的语音增强算法

考虑到传统单通道语音增强算法对噪声抑制的局限性,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 minimum mean square error,Log MMSE)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。