基于GMM的声音活动检测方法

为了提高声音活动检测的鲁棒性,提出了一种基于GMM模型的声音活动检测方法。此方法在频谱特征空间中建立背景噪音和语音的GMM模型,然后采用模型匹配的方法对被测信号进行区分。此方法自适应更新GMM模型的参数,使之可以适应环境的变化。实验结果显示该方法在噪音环境中比传统的声音活动检测方法具有更高的准确率。

太赫兹雷达多声音信号活动检测技术

针对在环境中同时存在多个声源的场景下,传统声音获取方式难以正确检测到期望声源处声音活动的问题,提出一种基于太赫兹雷达的多声音信号活动检测方法,该方法利用太赫兹雷达波长短提升对于微小振动的探测灵敏度,同时利用大宽带所带来的高距离分辨力区分不同声源,在获得声音信号后进一步通过谱减-小波联合去噪方法提升信号质量用于后续声音信号活动检测。实验结果表明,在传输路径上存在干扰声源时,相比麦克风方式而言,所提太赫兹雷达声音信号活动检测方法可以更有效地区分多个声源,获得期望声源处的声音活动。

改进的参数自适应的维纳滤波语音增强算法

为探究不同的噪声对语音增强算法性能的不同影响,提出一种参数自适应维纳滤波语音增强算法,根据不同的噪声类型,设置不同的参数初始值,做不同的噪声功率谱评估。使用深度神经网络对噪声进行分类,得到准确的分类结果;对不同的噪声,得到维纳滤波算法与使用声音活动检测(VAD)进行噪声功率谱评估相结合的语音增强算法的最优系数组合。进行系列实验,客观的评价结果表明,该算法在Babble噪声下,5db的信噪比时,能够将PESQ值提高0.25,针对其它的噪声与不同信噪比情况,PESQ值也有相应的提高。