噪声环境中的双声道音频回波抵消模型构建

为提升远端说话人员的分辨率,保证真实空间化听觉感受效果,构建一种噪声环境中的双声道音频回波抵消模型。该模型以子带自适应滤波器组为核心分解音频信号,使其形成若干个子频带信号;在子带域内计算噪声干扰阈值,依据阈值的计算结果并结合人耳听觉特性,叠加独立分布白噪声,实现各个子带的回波抵消。在此基础上,引入步长补偿因子和反馈控制理念改进最小均方算法,优化滤波器组参数,提升双声道音频回波抵消效果。测试结果表明:所设计模型可有效处理音频信号中的噪声信号,抵消后的音频信号信噪比均在3.5 dB以上,音频信号的振幅误差均在0.2 V以下,能够提升远端人员说话的分辨率,保证音频质量。

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。

结合优化U⁃Net和残差神经网络的单通道语音增强算法

语音增强的目的是从带噪语音中恢复出干净的语音信号,为了解决现有深度神经网络中语音增强算法不稳定,语音增强效果不理想的问题,提出一种改进的U⁃Net网络与残差神经网络相结合的语音增强算法。首先,该方法构建了一个基于U⁃Net网络的端到端的语音增强模型;然后在该模型的编解码块中引入残差单元,将残差神经网络结构的跨层连接和拟合残差项应用到模型训练中,该方法更有利于恢复目标语音的细节特征信息,增强了模型训练的稳定性,提高了模型的特征提取能力和训练效率,改进后的Residual⁃U⁃Net网络模型能够实现更优的语音增强效果。仿真实验结果表明:与现有的其他几种语音增强方法相比,文中所提出的Residual⁃U⁃Net算法更有效地实现了语音增强,此外,该算法具有良好的去噪效果,进一步提高了语音信号的质量及其可懂度。

语音增强算法的研究与改进

为了研究和提高语音增强的效果,针对语音信号的非平稳性,根据卡尔曼滤波能处理非平稳信号,其是以最小均方误差为估计的最优准则,提出一种改进的卡尔曼滤波语音增强算法。该方法首先在改进谱减法和人耳掩蔽效应增强的基础上,利用语音信号的生成模型,通过线性预测系数组成状态转移矩阵,采用基于听觉掩蔽效应改进的谱减法估计语音和噪声的AR参数,该分析改进后的参数更加准确并提供给卡尔曼增强算法,最终实现卡尔曼滤波的语音增强。仿真实验表明,在不同信噪比下该算法均有效地实现了语音增强,去噪效果较好,提高了语音质量。

一种改进生成对抗网络的短波信号增强方法

为了解决传统的短波信号增强方法存在的拟合能力差和非线性能力差的问题,将传统滤波方法与深度学习的方法相结合。为保留短波信号中更多细粒度特征和增加网络复杂度,在语音增强生成对抗网络架构中加入残差网络,提出基于语音增强生成对抗网络的短波信号增强算法;将维纳滤波方法与短波信号增强生成对抗网络算法相结合,在波形级别上进行端到端的模型训练,实现了将生成对抗网络的衍生算法用于短波信号增强。实验结果表明,增强后的信号样本与带噪信号样本相比,信噪比和清晰度等指标显著提升,证明了所提方法的可行性和有效性。同时,该方法比传统滤波方法适用场景范围大,可作为信号处理的前端环节,为非合作方短波信号研究提供可靠的参考方法。

基于EEMD和共振峰的自适应语音去噪

针对传统的语音去噪方法可能滤除高频信息并且信噪比有进一步提升的问题,提出一种基于集合经验模态分解(EEMD)和共振峰的自适应语音去噪方法。语音信号通过EEMD分解成频率由高到低排列的本征模态函数(IMF)和余项,通过计算每个IMF分量和语音信号的第一共振峰对应频率值的距离,判断IMF的高低频部分,对高频信号进行小波阈值去噪后与低频信号相加得到重构信号;由于EEMD分解中添加的多组高斯白噪声在处理过程中不能完全中和,对重构后的语音信号的静音区产生较大影响,最后利用端点检测技术对静音区的残留噪声进行抑制。通过Matlab仿真结果表明,采用该去噪方法可以有效提高输出信噪比,并取得了良好的去噪效果。

基于子空间域的自适应小字典的语音增强

针对传统小字典的语音增强算法在消除噪声时导致语音失真的问题,提出一种子空间域的自适应小字典的语音增强算法。首先,在子空间域中利用带噪语音信号的特征值构造过完备的小字典,使得该字典对信号失真和残留噪声具有很好的调控机制,即在消除噪声的同时为保证信号失真尽可能的小提供了可能;其次,通过过完备的小字典对带噪语音的特征值用K奇异值分解(K-SVD)算法不断进行稀疏表示和字典更新,其中在正交匹配追踪(OMP)算法中设置相关性阈值与能量阈值来自适应控制重构阶段及迭代次数,减少重构时间。在不同的噪声背景下的实验结果表明,与文献算法相比,新算法的增强语音的SNR和PESQ较高,减少了语音失真,提高了语音质量。