基于子带双特征的自适应保留似然比鲁棒语音检测算法

为了进一步提高低信噪比下语音激活检测(VAD)的准确率,该文提出一种基于子带双特征的自适应保留似然比鲁棒语音激活检测算法。算法采用子带归一化最大自相关函数与子带归一化平均过零率双重特征设置频率分量似然比的保留权值,同时利用已过去固定时长的VAD判决结果及对应的子带特征参数自适应地估计似然比的保留阈值。实验结果表明,此算法的VAD检测准确率相比原保留似然比算法在10 dB, 0 dB和-10 dB平稳白噪声下分别提高了1.2%, 7.2%和8.1%,在10 dB和0 dB非平稳Babble噪声下分别提高了1.6%和3.4%。当其被用于2.4 kbps低速率声码器系统时,合成语音的感知语音质量评价(PESQ)比原声码器系统在白噪声下提高了0.098~0.153,在Babble噪声下提高了0.157~0.186。     

麦克风阵列的协同自适应滤波语音增强方法

在麦克风阵列语音增强方法中,传统的广义旁瓣抵消器在处理存在显著脉冲噪声的语音信号时效果较差。为提高在脉冲噪声干扰下的语音信号增强效果,提出一种麦克风阵列的协同自适应滤波语音增强方法。该方法采用协同自适应滤波取代线性自适应滤波,基于NLMS算法导出了滤波器权值和协同因子的自适应更新算法。仿真实验结果表明,所提方法能有效地消除掉语音信号的脉冲噪声和高斯噪声,克服线性自适应滤波对非线性脉冲噪声的不敏感性,比广义旁瓣抵消器效果优越很多。     

一种基于语音和噪声统计信息改进相位估计的语音增强算法

为改善低信噪比环境下语音的质量,论文提出了一种改进相位估计的语音增强算法。算法首先根据语音和噪声频谱的统计模型的对称性得到用先验信噪比倒数形式表示的噪声频谱估计值,然后通过分析低信噪比条件下（0dB）相位估计对于幅度估计的重要性,利用噪声频谱估计值估计每一个频点的相位修正值,并给出了一种优化的先验信噪比估计算法,得到一种新的语音增强算法。由仿真实验给出的客观测试和非正式听音测试表明:该算法处理后取得了较好的效果,在抑制低信噪比语音增强所产生的音乐噪声的前提下,相比未改进相位估计的算法处理后的信号,语音失真度更小,语音质量有明显提高。      

基于LMS自适应滤波的耳语音增强的研究

文中针对带噪的耳语音提出了一种LMS自适应滤波的耳语音增强算法。首先采用谱减法得到一个增强耳语音信号，取得较好的谱包络后对增强信号进行LMS自适应滤波，消除由谱减法产生的音乐噪声。结果表明，采集到的耳语音信号的质量得到明显提高，即使在低信噪比的情况下，信噪比也能提高20dB左右。     

一种基于自适应滤波的语音增强方法

本文研究了语音信号被加性噪声污染后的增强问题。所研究的带噪语音信号是唯一能获得的源信号,噪声源是不可接近的.研究噪声对象是:宽带白色噪声和平稳的有色噪声.本文将报告一种时域自适应滤波语音增强处理方法,重点研究了低信噪比下[SNR≤ 5～-10dB]带噪语音信号的信噪比改善问题.文中给出了增强处理的实验数据,结果表明:文中的方法不但能抑制宽带白噪声,而且也适用于平稳的有色噪声.     

一种基于自适应噪声估计的宽带语音增强算法

为解决传统算法对噪声适应性较差,残留音乐噪声较强的问题,本文提出了一种基于自适应噪声估计的宽带语音增强算法。该算法可应用于宽带语音编码器,以提升在噪声环境下的编码质量。本文所提算法利用谱熵对噪声类型进行有效的判别,将背景噪声分为白噪声和有色噪声两类,并根据噪声特性选择适当的噪声估计方法。在白噪声背景下,选择一种谱平滑的方法;在有色噪声背景下,则选择经典的最小值控制递归平均算法。在此基础上结合经典的统计模型方法,构建一种具有较强噪声鲁棒性的宽带语音增强算法。在ITU-T G.160标准下对算法进行性能测试,测试结果表明,在不同强度的背景噪声环境下,增强语音的信噪比提高都较为明显。同时,在低信噪比情况下,该算法有效的抑制了严重影响听觉质量的音乐噪声现象。      

结合差分阵列与幅度谱减的双麦语音增强算法

为了抑制小型语音通信设备中的方向性噪声干扰问题,提出了一种结合差分阵列与幅度谱减的双麦语音增强算法。该算法首先利用一阶差分阵列技术,对两麦克风采集到的带噪语音信号进行处理,得到语音通道信号和噪声通道信号。接着利用差分阵列处理后的两通道信号对语音通道信号的信噪比进行估计。最后利用幅度谱减法对语音通道信号中残留噪声进行消除。针对语音通道信号的信噪比估计,本文给出了两种新奇的计算方法。仿真实验表明,该算法有效的抑制了方向噪声,改善了语音的质量,去噪效果及语音质量均优于对比算法。      

基于自适应稀疏表示的电子商务语音识别增强方法研究

传统语音增强算法在去除噪声的同时也导致语音受损，为了减小这种负面影响，结合了语音信号的稀疏表示算法与语音增强算法和自适应的获得训练字典，提出了一种基于自适应稀疏表示的语音增强算法。仿真实验结果表明该方法即使在低信噪比的条件下也能有效去噪，且去噪后能很好的分辨出原始语音信号。     

基于无语音概率改进的对数谱幅度估计增强算法

针对谱减语音增强法中一直存在的去噪度、残留的音乐噪声和语音畸变度三者间均衡这一关键问题,本文提出一种基于无语音概率改进的对数谱估计增强算法.该算法结合无语音概率的思想,按照纯噪声帧和带噪语音帧两种状态.有区别地实时更新语音最小均方误差的对数谱增益,并利用无语音概率参数(SAP)自适应地调节平滑系数,以求随着噪声环境的变化,在去噪度、残留"音乐噪声"和语音畸变度之间自适应地折中.实验表明,该算法在相同去噪程度下,语音畸变和音乐噪声相对其他谱减法都同时地减弱,特别在低信噪比环境下优势更明显,而且平滑参数利用SAP参数,无需多余计算,便于实时处理.     

基于小波变换的后置自适应滤波传声器阵列的语音增强

提出了一种将传统后置自适应滤波技术和小波变换技术相结合的传声器阵列语音增强方法。首先利用传统的延时-累加波束形成技术获取目标语音,并采用后置自适应维纳滤波器来估计原始语音,然后再使用小波变换分解与重构技术进一步去除噪声。经计算机仿真,表明当系统输入信噪比为0.11dB时,输出信噪比提高近6.28dB。     

基于稀疏性的相位谱补偿语音增强算法

相位谱补偿语音增强算法通过调整相位谱对噪声进行压缩,提高重构信号的质量。针对传统的相位谱补偿(phase spectrum compensation, PSC)语音增强算法采用固定的相位补偿因子,且算法的性能易受噪声估计准确性的影响,提出了一种基于稀疏性的相位谱补偿(sparsity-based phase spectrum compensation, SPSC)语音增强算法。首先,利用噪声估计算法得到噪声幅度谱,利用基于幅度谱的语音增强算法得到目标语音幅度谱;接着,通过噪声和目标语音幅度谱之间的局部信噪比(Signal-to-Noise Ratio, SNR)来估计谱时间稀疏性;然后,利用sigmoid函数改进相位补偿因子,联合补偿因子和谱时间稀疏性,得到SPSC函数。最后,使用SPSC函数对相位谱中的谱分量进行补偿,通过短时傅里叶逆变换得到最终增强后的语音信号。仿真实验表明,在四种不同背景噪声的低信噪比下,新的相位谱补偿算法使增强语音获得了更好的LSD、PESQ和segSNR指标,说明新的算法在低信噪比下,可以有效恢复带噪语音中的语音成分,对噪声抑制效果明显,增强语音的质量和听感均有一定提升。      

Adaptive noise cancellation for nonstationary real data backgroundnoise using three microphones

Background noise is usually an important factor that affects speech recognition performance and many other applications. In this Letter background noises (especially background speech or music) can be significantly suppressed under this new dual algorithm that comprises a three-microphone active word boundary detector and a three-input adaptive noise canceller. An example of a real data experiment has been conducted and shows an SNR improved up to 17.1 dB. Although array signal processing and word boundary detection are not new, this particular combination has not been previously used and is of great practical significance     

一种低信噪比语音的增强算法

为改善低信噪比环境下语音的质量,论文提出了一种新的语音增强算法。算法首先根据噪声频谱的高斯统计模型得到用先验信噪比形式表示的噪声频谱估计值,然后利用帧内、帧间平滑算法估计每一个频点的先验信噪比,从而能够更好地跟踪先验信噪比的变化。算法接着引入一种简便的估计语音在每一个频点出现概率的方法,得出一种新的语音增强算法。客观测试和非正式听音测试表明:该算法在几乎不损伤语音清晰度的前提下,能够更好地抑制低信噪比语音增强所产生的音乐噪声,同时使语音信噪比得到了明显提高。     

FIR自适应滤波的语音增强算法

提出一种基于线性预测FIR自适应滤波的语音增强算法,该算法可实时过滤被噪声污染的语音信号,提高信噪比,从而提高语音识别系统的识别率。仿真结果证明该算法具有较好的降噪效果。     

CMOS图像采集芯片中噪声抑制新方法研究

本文针对CMOS图像采集芯片中信号的基本特点,对于白噪声的消除,在Donoho提出的基于小波的软阈值和硬阈值去噪法的基础上,将输入信号的信噪比作为去噪参数,研究并提出了适合于CMOS图像采集芯片噪声消除的新方法,并且给出用Matlab仿真的结果。结果表明,当测试信号为Bocks,输入信号信噪比为3dB-13dB时,使用此方法输出信号信噪比比软阈值法平均提高2．2dB,比硬阈值法平均提高0．21dB。     

语音增强及其消噪能力研究

语音增强技术可极大提高信噪比，解决由于环境噪声引起的语音通讯和识别性能下降的问题。目前常用的语音增强算法有频谱相减法，维纳滤波法，自适应抵消法等。文章提出一种将指向性麦克风和自适应抵消法相结合的方法，在仿真试验中取得了较好的结果。     

Smoothing approach using forward–backward Kalman filter with Markov switching parameters for speech enhancement

In this paper, a smoothing approach for enhancing speech signals degraded by statistically independent additive nonstationary noise is developed. The autoregressive hidden Markov model (ARHMM) is used for modeling the statistical characteristics of both the clean speech signal and the nonstationary noise process. In this case, the speech enhancement comprises a weighted sum of the conditional mean estimators for the composite states of the models for the speech and noise, where the weights are equal to the posterior probabilities of the composite states, given the noisy speech. The conditional mean estimators use a smoothing approach based on two Kalman filters with Markovian switching coefficients, where one of the filters propagates in the forward-time direction and the other propagates in the backward-time direction with one frame. The proposed method is tested on speech signals degraded by Gaussian colored noise or nonstationary noise at various input signal-to-noise ratios. An approximate improvement of 4.7–5.2 dB in SNR is achieved at input SNR 10 and 15 dB. Also, in comparison with conventional method (Ephraim, IEEE Trans. Signal Process. SP-41 (April 1992) 725–735), our proposed method shows improvement of about 0.3 dB in SNR.     

基于噪声估计的改进能量熵语音端点检测算法

针对传统能量熵的短时能量与子带谱熵容易受噪声环境影响,低信噪比下端点检测性能下降的问题,提出一种基于噪声估计的改进能量熵语音端点检测算法.首先对语音进行噪声估计并以此计算语音存在概率;然后利用估计的噪声能量修正短时能量,用语音存在概率作为加权系数优化子带谱熵,并将两者结合生成改进的能量熵;最后给出基于噪声估计的动态门限以及实时的端点检测策略.实验结果表明,在信噪比5 dB、0 dB的多种噪声环境中,基于噪声估计的改进能量熵端点检测算法相比传统能量熵算法与改进子带能谱比算法,检测正确率平均提升7％.