稀疏卷积非负矩阵分解的语音增强算法

非平稳噪声和低信噪比条件下提高增强语音质量一直以来都是语音增强研究的难题。近年来，卷积非负矩阵分解在语音增强算法中成功应用，本文进一步考虑语音信号在时频域的稀疏性，提出了稀疏卷积非负矩阵分解(Sparse Convolutive Nonnegative Matrix Factorization, SCNMF)的语音增强算法。该算法包括训练和增强两个阶段。训练阶段通过SCNMF算法分别对纯净语音和噪声的频谱进行训练，得到纯净语音和噪声字典，并将其作为增强阶段的先验信息。增强阶段首先通过SCNMF算法对带噪语音的频谱进行分解，然后利用纯净语音和噪声联合字典对语音编码矩阵进行估计，重构增强语音。本文通过实验仿真分析了稀疏因子对增强语音质量的影响。实验结果表明，在非平稳噪声和低信噪比条件下，本文算法增强效果均优于多带谱减、非负矩阵分解、卷积非负矩阵分解等传统的算法。

Speech Enhancement Based on Convolutive Nonnegative Matrix Factorization with Sparseness Constraints