基于约束方差的噪声谱估计算法

为了进一步提高非平稳环境下噪声估计的准确性,提出了一种基于约束方差的噪声谱估计算法,通过约束方差计算得出平滑参数,对噪声功率谱进行估计。实验结果表明,相对于其他三种算法,该算法能较低时延地跟踪背景噪声的轨迹,且它的噪声谱估计均方误差较小,在非平稳噪声及噪声突变环境下尤为明显。     

基于码本学习的改进谱减语音增强算法

提出一种可适应非平稳噪声环境的基于码本学习的改进谱减语音增强算法。该算法分为训练阶段和增强阶段。训练阶段,使用自回归模型对语音和噪声的频谱形状进行建模并构造语音和噪声码本;增强阶段,采用对数谱最小化算法估计出语音和噪声的频谱,通过谱相减消除噪声。算法在每个时间帧估计语音和噪声频谱,即使在语音存在时仍能够有效跟踪快速变化的非平稳噪声;采用自回归模型能得到噪声频谱的平滑估计,减少了音乐噪声。实验仿真表明,相比于传统谱减法和多带谱减法,改进的谱减法具有更好的噪声抑制性能并且语音失真更小。     

一种基于快速噪声估计的MMSE语音增强算法

提出一种基于快速噪声估计的MMSE语音增强算法,实验表明这种算法比起谱相减法和基于语音短时对数谱的最小均方误差（MMSE-LSA）算法能更显著地提高算法的客观性能,在非平稳噪声环境中能快速估计出变化的噪声功率谱。     

基于非平稳噪声估计的改进谱减语音增强算法

传统的谱减法无法有效地抑制实际语音通信中的非平稳噪声,为了进一步提高谱减法的去噪性能,提出了一种改进的噪声估计算法,首先将带噪语音的功率谱按照Bark频率进行子带划分,然后分别在每个子带内利用改进的最小统计量控制递归平均方法跟踪噪声的变化,从而在准确估计非平稳噪声的功率谱的同时减少计算量。将该算法应用到谱减法中,并与传统的增强型谱减法进行对比实验,实验结果表明：改进的谱减法能够更好地去除各种非平稳噪声,而且能够有效抑制“音乐噪声”,使得增强后的语音具有更好的音质。     

改进的基于响度域的语音增强算法

针对短时谱幅度最小均方误差估计(MMSE-STSA)语音增强算法在非平稳噪声环境下噪声抑制能力较差的问题,提出一种改进的MMSE-STSA算法。该算法在响度域进行谱幅度估计,并采取基于概率的语音判决方法。实验结果表明,相比传统的MMSE-STSA算法,改进算法在非平稳噪声环境下能够获得更好的语音质量。     

一种改进型IMCRA非平稳噪声估计算法

针对IMCRA噪声估计算法时延较大引起的噪声欠估计问题,提出一种改进型IMCRA非平稳噪声估计算法。该算法采用3次谱平滑的方法估计语音存在概率,控制搜索窗长度。在噪声过估计或欠估计的情况下,引入安全机制对噪声估计值进行限制或补偿。实验结果表明,与IMCRA算法相比,改进算法能减小噪声估计的时延,提高噪声估计精度,适用于噪声功率变化范围较大的语音增强。     

基于稀疏谱拟合的超分辨方位估计

考虑到各阵元接收的实际环境噪声可能是相关的,以及风成噪声和远处航船噪声等因素的影响,环境噪声强度的空间分布可能具有方向性。利用非均匀环境噪声模型,结合稀疏谱拟合算法,提出了一种基于稀疏谱拟合的超分辨方位估计算法。该算法利用空间信号的稀疏性和线性噪声模型拟合误差的l2-范数联合最小化,实现非均匀环境噪声条件下的超分辨方位估计。通过计算机仿真讨论了正则参数和线性噪声模型阶数对算法性能的影响,海上试验结果表明了该算法较传统算法和稀疏谱拟合算法具有更低的旁瓣级和更好的方位分辨能力,同时有效验证了该算法在非均匀环境噪声背景下的超分辨方位估计性能。     

基于改进容积卡尔曼的PMLSM无传感控制研究

在永磁直线同步电机(PMLSM)的无传感器控制系统中,需要对动子的位置和速度进行实时状态估计。针对标准的容积卡尔曼滤波算法在PMLSM无传感控制中存在状态协方差矩阵易失去非负定性,以及噪声统计特性未知时变导致的滤波精度降低甚至发散的问题,提出一种容积卡尔曼滤波的改进算法。该算法结合平方根滤波和改进的渐消型记忆时变噪声估值器特点,能够保证滤波过程中状态协方差阵的非负定性,同时具有应对噪声变化的自适应能力。在永磁同步直线电机的无传感控制仿真实验中,改进的CKF算法能够明显提高标准CKF的滤波精度,在速度跟踪性能上,负载突变前、后的最大跟踪误差百分比分别为0.428 6%、0.146 8%,稳定跟踪后的跟踪误差百分比稳定在0.045 7%。     

多窗谱估计的语音增强减法研究

多带谱熵不仅能体现和谱熵一样的频率特性,还能体现能量的分布情况,因此在进语音检测时更趋向于采用多带谱熵估计。通过仿真,证明多带谱熵估计在非平稳信号检测中相比于谱熵估计的优越性,确定适合坦克环境的多带谱熵噪声估计算法。结合多带谱熵估计、相关加权、分帧相减等理论,提出一种以多窗谱估计为基础的改进的语音增强算法。仿真结果表明,提出的算法不仅能更好地抑制背景噪声和音乐噪声,而且还较好地保持了语音的可懂度和自然度。     

一种新的高动态GPS载波跟踪算法

提出了基于无迹粒子滤波（UPF）算法的高动态GPS载波跟踪环路,仿真分析了该方案在高斯噪声和非高斯噪声环境下对高动态GPS信号的跟踪性能,并与分别基于扩展卡尔曼滤波（EKF）、无迹卡尔曼滤波（UKF）、粒子滤波（PF）及扩展卡尔曼粒子滤波（EPF）这四种算法的载波跟踪环路进行了性能对比。仿真结果表明,基于UPF估计器的载波跟踪环路在高动态、弱信号以及非高斯噪声环境下具有优越的跟踪性能,既可以提高跟踪精度,又解决了非高斯噪声干扰问题。通过模拟实验验证了该方案的有效性。     

基于高斯–广义双曲混合分布的非线性卡尔曼滤波

本文研究带非平稳厚尾非高斯量测噪声的非线性系统状态估计问题.考虑到广义双曲分布包含多种常见厚尾分布特例,且其混合分布为共轭的广义逆高斯分布,选用广义双曲分布建模厚尾噪声;进而引入伯努利变量构建高斯–广义双曲混合分布来建模非平稳厚尾噪声,并利用该分布的高斯分层结构得到系统的概率模型.随后采用变分贝叶斯方法实现对系统状态以及噪声参数的后验估计,得到针对此类噪声系统的卡尔曼滤波(Kalman filter, KF)框架,现有的几种鲁棒滤波算法均是本文算法的特例.机器人跟踪仿真实验表明,所提算法与同类算法相比具有更好的估计精度和数值稳定性,且对于初始参数具有较好的鲁棒性.     

基于TF-GSC的多通道后置滤波语音增强算法

针对传统语音增强算法在非平稳噪声,尤其是在噪声为语音的环境下,对噪声的抑制效果急剧下降的情况,提出了一种基于传递函数—广义旁瓣抵消(TF-GSC)和最佳修正测井谱振幅估计量(OM-LSA)的改进型多通道后置滤波语音增强算法.算法在后置滤波时,利用TF-GSC输出信号与参考噪声之间的相互关系求解出语音存在概率,并更新噪声功率谱估计.实验结果表明:算法可以有效地抑制非平稳噪声,提高语音增强算法在语音噪声环境下的鲁棒性.     

一种新型跟踪离散1/f噪声信号递归RLS算法

给出了一个对离散1/f噪声信号进行跟踪简单修正的RLS算法。正规RLS算法或快速RLS算法在有限运算精度条件下的收敛性和失调性没有本质区别,它们在有限迭代次数后必定会导致RLS滤波器权系数发散,特别是在跟踪非平稳信号时更是如此。鉴于此,通过引入一个非线性函数对RLS滤波器输入数据的逆自相关阵予以修正。实验表明该算法具有良好的跟踪非平稳信号以及具有混沌特性的1/f噪声信号的能力,能有效降低跟踪的平均误差以及方差,且能根据输入数据的变化快速调整滤波器系数,性能比正规RLS算法好。对于跟踪fBm噪声过程如何动态调节记忆因子的问题,推导了记忆因子与输入信号的自相关矩阵特征值之间的一个关系表达式,这为采用RLS算法动态调整记忆因子来跟踪fBm过程提供了理论依据。     

一种听觉掩蔽效应和维纳滤波的语音增强算法

将非平稳噪声估计算法以及基于听觉掩蔽效应得到的噪声被掩蔽概率应用于维纳滤波语音增强中,提出了一种听觉掩蔽效应和维纳滤波的语音增强方法。几种噪声背景下对语音增强的客观测试表明,提出的算法相比较于传统的维纳滤波语音增强算法而言不但可以提高语音信噪比,而且可以明显减少语音失真。     

非平稳噪声环境下的噪声功率谱估计方法

提出了一种新的非平稳噪声环境下的噪声功率谱估计方法。该方法通过采用非固定长度的时间窗跟踪含噪语音功率谱的最小值,解决了传统跟踪时延较大的问题。不同频带采用不同的阈值计算语音存在概率,从而利用语音存在概率值的大小调节噪声和语音的混合程度。实验证明,本文提出的方法较基于语音活性判决(Voiceactivity detectors,VAD)的一系列方法和传统的最小统计(Minimal statistic,MS)算法有更好的效果,从而有效地改善了增强后语音的质量。     

一种自适应确定性采样滤波方法

对确定性采样滤波方法进行了改进,提出了一种自适心确定性采样滤波方法.首先,分别推导得到了平稳噪声情况下递推形式的噪声统计参数估计算法,以及三种针对非平稳噪声统计参数的估计算法;然后,将所得到的噪声统计参数估计算法与确定性采样滤波方法相结合,得到自适应确定性采样滤波算法.仿真结果表明,当时变过程噪声统计参数未知时,利用本文所提出的自适应确定性采样滤波估计算法,仍然可以得到精度较高的估计结果.     

Bayesian on-line spectral change point detection: a soft computing approach for on-line ASR

Current automatic speech recognition (ASR) works in off-line mode and needs prior knowledge of the stationary or quasi-stationary test conditions for expected word recognition accuracy. These requirements limit the application of ASR for real-world applications where test conditions are highly non-stationary and are not known a priori. This paper presents an innovative frame dynamic rapid adaptation and noise compensation technique for tracking highly non-stationary noises and its application for on-line ASR. The proposed algorithm is based on a soft computing model using Bayesian on-line inference for spectral change point detection (BOSCPD) in unknown non-stationary noises. BOSCPD is tested with the MCRA noise tracking technique for on-line rapid environmental change learning in different non-stationary noise scenarios. The test results show that the proposed BOSCPD technique reduces the delay in spectral change point detection significantly compared to the baseline MCRA and its derivatives. The proposed BOSCPD soft computing model is tested for joint additive and channel distortions compensation (JAC)-based on-line ASR in unknown test conditions using non-stationary noisy speech samples from the Aurora 2 speech database. The simulation results for the on-line AR show significant improvement in recognition accuracy compared to the baseline Aurora 2 distributed speech recognition (DSR) in batch-mode.