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。     

基于单AVS的空间目标语音增强方法

空间目标语音增强技术在移动语音应用中具有重要价值。为有效抑制空间干扰语音和背景噪声,采用声学矢量传感器(acoustic vector sensor,AVS),利用其结构的特殊性和各输出分量间的三角函数关系,引入阻塞矩阵,推导目标语音信号的功率谱,从而实现对AVS全向分量的最佳Wiener滤波获得增强语音。仿真实验表明,该方法能够有效抑制空间语音干扰和背景噪声。该方法采用单AVS,计算复杂度低,具备移动设备上的应用优势。     

基于CASA简化模型的语音增强算法

基于听觉现象分析（CASA）模型的基本原理,针对仅有非语音信号干扰情况下的单通道语音增强处理问题,利用人耳的频率掩蔽效应,提出了一种单通道简化CASA计算模型语音增强新算法,新算法通过提取混合语音输入中的有效语音时频成分并利用人耳的听觉掩蔽效应重构合成增强语音输出信号,通过在汽车噪声和白噪声干扰下的仿真实验结果表明,简化的CASA模型语音增强算法的输出信噪比约提高了10dB,且可以有效抑制干扰噪声的听觉影响,增强输出语音信号的可懂度。     

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。     

基于谱减法和经验模式分解的语音增强

本文提出了一种基于谱减法和经验模式分解的语音增强算法。在低信噪比的情况下用谱减法可以去除语音信号中的大部分背景噪声,再对已处理过的信号进行经验模式分解,对前几个IMF进行阈值处理可以进一步增强语音。实验表明:本算法去噪效果优于传统方法。     

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．     

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.     

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.     

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。     

基于强约束字典联合深度神经网络的单通道语音分离

针对基于字典学习语音分离方法的“交叉投影”问题,提出了强约束的优化函数,不仅抑制重构信号和目标信号的误差,约束干净信号在联合字典上的误差,而且抑制干净信号在其他字典上的投影并限制字典间的原子相关性。此外,为了进一步提高两个相似信号的分离效果,提出基于强约束字典联合深度神经网络的单通道语音分离方法,首先利用强约束字典实现目标与干扰语音的初步分离,然后通过联合约束利用深度神经网络实现语音与干扰语音交叉投影残余的分离。实验结果表明,与其他优秀单通道语音分离方法相比,该算法有效提升了语音分离系统的性能。     

基于双通道神经网络时频掩蔽的语音增强算法

为提高语音增强算法消除方向性噪声和抑制混响的能力,结合单、多通道处理信号的优势,提出了双通道神经网络时频掩蔽语音增强算法.首先,利用改进的多分辨率耳蜗动静态特征,结合依据信噪比优化的自适应掩模,对双麦克风信号分别进行单通道神经网络初步语音增强,达到全面利用语音非线性特征改善感知度的目的;其次,提出一种基于自适应掩模方向...     

一种采用振荡神经网络的CASA计算模型语音分离算法

基于听觉现象分析（CASA）模型的基本原理,在仅有单通道输入混合语音信号时,采用振荡器神经网络,提出了一种CASA改进模型语音分离算法结构,文中利用一个实例说明了新算法的具体实现步骤,讨论了新算法机构中语音听觉外围处理部分和分割神经网络处理部分,通过上述两个部分的处理可以将输入混合语音信号在时频域上分割为若干有听觉感知意义的语音听觉感知成分分段Segments,以便于新算法后续处理分部中语音Segments的聚为和分离重构输出处理,最终完成语音分离任务。     

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。     

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。     

基于倒谱处理的先验信噪比估计算法

单通道语音增强中,已有的先验信噪比算法能有效地去除噪声,提升语音增强算法性能;但是由于在噪声功率谱估计不准确,造成噪声功率出现过估和低估的情况,造成了语音失真和保留较多残留噪声。通过倒谱处理能在含噪语音段中抑制语音中的谐频成分和在纯噪声段中避免部分较强的噪声成分误判为语音信号,准确地估计出噪声功率谱,同时语音失真不大。在多种噪声背景下的客观评价指标分析表明,经过倒谱处理后的先验信噪比估计算法能提高先验信噪比算法的估计性能。     

一种语音增强算法的研究

采用基于子空间的方法，对语音信号进行增强处理，该算法提供了在语音信号失真和残留噪声之间进行控制的机制。克服了以往语音增强算法中对语音信号的噪声特点的限制，可以对混有加性白噪声、有色噪声和音乐噪声的语音信号进行增强处理。     

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.     

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。     

改进信号子空间结合维纳滤波的语音增强算法

针对现有语音增强算法噪声残留和语音失真,不能同时达到最小这一问题,提出了一种改进的信号子空间结合维纳滤波法,进行两级语音增强。第一级利用听觉掩蔽参数改进信号子空间的增益矩阵,经处理后,可以有效降低语音失真度,并初步提高信噪比。然后利用维纳滤波算法对增强后的语音信号进行加强。实验结果表明,相比传统的信号子空间算法、维纳滤波算法,可以有效地减少语音信号中的残留噪声、降低语音信号的失真度、提升语音信号的整体质量。     

基于倒谱预处理技术的语音增强算法研究

提出一种应用于单通道语音增强技术的倒谱预处理算法。倒谱预处理通过抑制语音中浊音的谐频成分,避免在非平稳噪声跟踪过程中将语音浊音信号功率谱错误估计成噪声功率谱;同时预处理还能增加语音间隙出现的概率,跟踪搜索窗内信号能量最小值时更有效地跟踪到噪声能量电平。实验结果表明应用文中提出的预处理算法后,快速有效跟踪噪声的同时能避免噪声功率谱过估,并且在客观评价指标方面得到更高的段信噪比提高量(SegSNRI:Segmengtal Signal-to-Noise Ratio Improvement)和感知语音质量评价(PESQ:Perceptual Evaluation of Speech Quality)得分改善量。