小波递归最小二乘语音自适应增强

针对语音自适应增强的递归最小二乘算法必须已知参考信号的约束条件,将小波技术引入RLS算法中,提出了一种语音自适应增强算法—小波递归最小二乘算法(WRLS)。无需参考输入和输入信号的延时量,而是用小波分解、合成技术初估期望信号,以此获得先验误差;再用RLS算法求解滤波器权系数修正量;同时采用"块"和"符号"技术减少权系数修正的运算量,提高算法的收敛速度。仿真实验表明该算法的增强效果明显优于谱减法和小波增强法。

小波递归最小二乘语音自适应增强

针对语音自适应增强的递归最小二乘(RLS)算法必须已知参考信号的约束条件,将小波技术引入RLS算法中,提出了一种语音自适应增强算法-小波递归最小二乘算法(WRLS)。该算法无需参考输入和输入信号的延时量,而是用小波分解、合成技术初估期望信号,以此获得先验误差;再用RLS算法求解滤波器权系数修正量;同时采用"块"和"符号"技术减少权系数修正的运算量,提高算法的收敛速度。仿真实验表明该算法的增强效果明显优于谱减法和小波增强法。

两种新的语音自适应增强算法研究

针对自适应语音增强中需要已知参考输出信号的问题,提出了两种自适应增强算法:该算法只有语音的噪声观测一个输入,无需输入信号的延时量。用谱减法估计期望信号,以此作为滤波器输出信号的参考信号;以滤波器的输出与参考信号的差值为误差信号;用LMS和RLS算法分别求得滤波器权系数修正量;采用块技术和符号技术减少权系数修正的运算量,提高算法的收敛速度。在各种信噪比下对不同的语音进行仿真实验,并与改进的谱减法比较,结果表明,该两种算法的增强效果均优于改进的谱减法,在信噪比为3dB时增强效果仍能令人满意。