基于矩形麦克风阵列的改进的GCC-PHAT语音定位算法

针对相位变换加权广义互相关方法（GCC-PHAT）对噪声的影响较为敏感的缺点,本文通过削弱噪音互谱、加权信噪比、应用相干函数等手段对原始的相位变换加权函数（PHAT）进行了改进,得到了一种改进的相位变换加权函数（MPHAT）,以便在有噪情况下更准确地估计时间差。大量的仿真实验验证了本文算法的有效性。     

用于SOM神经网络语音识别的自适应局部搜索算法

采用一种基于自组织特征映射（ＳＯＭ）神经网络和隐马尔柯夫模型（ＨＭＭ）法结合的语音识别方法．根据语音信号的相关性，提出了一种自适应局部搜索算法．结果表明，该算法相对于全搜索算法而言，计算量小而又不降低识别率     

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．     

基于等边三角形麦克风阵列的语音增强

针对小体积应用场合下的语音增强,提出了一种基于等边三角形结构的麦克风阵列与Wiener后置滤波相结合,并由VAD作为控制单元的语音增强方法。该方法克服了自适应零限波束形成只能抑制空间相干噪声的缺点,并得到可在二维平面上旋转的波束主瓣。通过仿真和真实环境的实验,证明算法能够显著地提高输入语音信噪比,且适用于多种噪声场。     

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。     

基于改进EMD的麦克风阵列语音增强研究

提出一种将改进EMD与麦克风阵列MVDR自适应波束形成相结合的语音增强方法。该方法利用互相关系数阈值法去除将EMD算法分解后的的虚假IMF分量,结合各阶IMF分量的自相关函数特性准确获取信号与噪声的主导IMF分量分界点,然后对所有噪声主导的IMF分量进行小波阈值去噪,接着将所有剩余IMF分量进行MVDR波束形成获得增强语音信号。改进EMD算法避免了在高信噪比条件下的信号失真,与MVDR波束形成相结合,满足了MVDR窄带特性要求,增强了麦克风阵列抗干扰能力。实验结果证明了方法的有效性。     

结合GSC与相干滤波器的二元麦克风阵列语音增强算法

提出一种相干滤波器与广义旁瓣相消器结合(GSC)的二元麦克风阵列语音增强算法.将基于噪声谱估计的单通道相干滤波器作为广义旁瓣相消器的后置滤波器,充分利用阵元间蕴含的信号进行噪音抑制,克服经典结合算法无法使用基于噪声谱估计的相干滤波器的缺点.计算机仿真实验表明,该算法明显优于小阵列广义旁瓣相消算法和基于相位差的算法.     

基于自适应频率选择的鲁棒时延估计算法

为了增强相位变换加权广义互相关方法(GCC-PHAT)这一常用时延估计方法对噪声的鲁棒性,提出了一种基于频率自适应选择的改进算法.该算法利用较短的语音数据(32ms)估计出每个频率的协方差矩阵,从而计算出每个频率的信噪比(SNR),然后自适应地选择SNR较大的频率用于时延估计.仿真实验结果表明,不论是在中等混响(混响时间T60=0.3s)还是在强混响(T60=0.6s)条件下,相对于GCC-PHAT方法,该算法对噪声的鲁棒性更强.     

基于麦克风阵列的语音信号实时时延估计

为了更好地利用麦克风阵列定位语音信号,得到更高的定位精度,研究了时延估计算法的构成方法与性能特征,分析了定位过程中误差的产生原因与环境,提出了切实可行的减小或消除相应误差的办法。该算法利用同一语音信号分别到达各麦克风的时间差,进行关系换算。利用Matlab在电脑上仿真的定位结果表明,该修改方法能大大改善定位的准确性,提高时延估计算法在实际应用中的利用率。     

基于麦克风阵列声源定位的发展历程及关键技术

回顾了基于麦克风阵列的声源定位系统的发展历程,对声源定位关键技术进行了讨论,分析了现有算法并对各算法的优缺点进行比较,文章的最后对麦克风声源定位技术的难点进行了概述,为进一步研究麦克风阵列信号处理奠定基础。     

Space discriminative function for microphone array robust speech recognition

0IntroductionUnder the condition of existing competing speakers,the performance of a speech recognition systemdegradesseriously.Withits capabilityto provide hands-free acqui-sition of speech and directional discrimination,micro-phone array has become widely used in many robust ASRfront-end[1-3].Adaptive beamforming realizes notches in the direc-tions of interferences in current working environment byadapting its weights according to some optimum criteri-on[4].Adaptive microphone array can re…     

基于麦克风阵列的声源定位研究

基于麦克风阵列的声源定位是有效声源提取的前提和基础，其技术在多媒体通信中得到了广泛的应用．讨论了基于麦克风均匀线阵和均匀圆阵的声源定位方法，并进行了仿真，其结果表明这两种模型均能有效地提取出声源的位置．并给出了算法的硬件实现的原理框图。     

基于小波变换的传声器阵列语音增强方法

针对现有的基于传声器阵列语音增强算法的局限性，并考虑到入耳听觉感知模型，提出一种将延迟-求和波束形成技术和小波变换技术相结合进行语音增强的方法，该方法首先利用延迟-求和波束形成技术将阵列中各个传声器接收到的信号进行时间延迟补偿，并对各通道信号相加-平均，消除一部分不相干或弱相干噪声；然后再利用小波变换技术进一步去除噪声，计算机模拟结果表明，该方法具有良好的消噪能力。     

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。     

基于压缩感知的麦克风阵列声源定位算法

为了提高麦克风阵列在高混响、低信噪比环境中的定位性能,提出了一种基于压缩感知的声源定位算法.该算法将声源定位问题转化为稀疏信号的重构问题,将不同位置的房间冲激响应作为特征以构建字典.首先,将麦克风接收信号转换至频域,从具有较高能量的频点中求得一组扩展的频域声源信号矢量,该矢量中包含了声源的位置信息.然后,在频域中整合这些扩展的声源信号矢量,使声源的位置信息更突出,矢量中最大元素所对应的空间位置即为声源的位置估计.仿真实验结果表明,与相位变换加权的可控响应功率(SRP-PHAT)定位算法相比,所提算法的定位成功率更高,对混响的鲁棒性更强,更适合高混响低信噪比环境中的声源位置估计.     

多噪声环境的麦克风小阵语音增强

针对在非平稳和多种噪声并存的语音增强算法抑制噪声能力有限的问题,提出基于最小跟踪噪声功率谱估计的相干滤波与广义旁瓣抵消的麦克风小阵语音增强算法。该方法先利用最小跟踪噪声功率谱估计的相干滤波抑制弱相关噪声,再结合广义旁瓣抵消与端点检测抑制强相关噪声。实验结果表明,方法更加有效地抑制噪声的影响;并提高了语音的可懂度。     

基于独立感知理论的鲁棒语音识别算法

为了提高在噪声环境下语音识别系统的性能,对基于子带独立感知理论的语音识别方法进行了研究.这些方法利用人耳对不同频率信号感知的差异,以及噪声和识别对象的频域特征差异,分别采用线性分析、判决分析、多层感知机以及子带最大似然估计对噪声影响进行补偿.实验表明,子带分析采用非线性策略优于线性策略.基于独立感知假定的子带模型,虽然由于独立性假定丢失了带间相关性,但对于噪声环境下语音识别而言可以捕获噪声和识别对象的频谱差异,从而获得比全带分析更高的鲁棒性.