非平稳环境下基于人耳听觉掩蔽特性的语音增强

传统的语音增强算法往往仅对平稳噪声或缓慢变化的噪声有效,且残留的音乐噪声较大。对此,本文研究了一种非平稳环境下基于听觉掩蔽效应的语音增强算法。该算法对传统谱减法的功率谱估计算法进行改进,根据最小均方误差原则和语音信号的听觉掩蔽阈值调整功率谱估计的参数,并引入了基于最小值统计特性的噪声估计算法,使估计的噪声更好地跟踪噪声的变化。实验结果表明:该算法对平稳和非平稳的噪声都得到较好的增强效果,且较好地抑制了音乐噪声。

改进型阈值函数寻优法的小波去噪分析

小波阈值函数去噪目的是保留带噪语音信号中有用语音小波系数,除去噪声小波系数,因此阈值函数获取以及对阈值的估计直接决定该方法去噪效果。针对现存的小波阈值函数不连续、不同分解层数阈值恒定以及会产生恒定误差等缺点。提出一种改进的带调整参数小波阈值函数,并采用粒子群优化算法寻找改进阈值函数在某一背景噪声环境中的最优参数值,将改进的小波阈值函数与贝叶斯阈值方法相结合,重构处理后得到最优小波系数的语音信号。改进阈值函数与传统阈值函数去噪相比,其仿真结果表明在语音输出信噪比、降低有用信号失真和有效抑制背景噪声等方面都有一定的提高。

动态阈值谱法语音增强

根据人耳能从噪声中提取有用信息的听觉特征，并结合语音信号的基本特征，提出并研究了一个适合于语音增强的听觉模型；实验结果表明，这个方法不仅在提高语音信噪比方面，而且在减小语音失真度方面均有较好的改善。

语音增强用于抗噪声的汉语说话人识别

大多数实际应用环境中总是存在各种各样的噪声,由于训练环境与识别环境不匹配,现有的绝大多数说话人识别系统在噪声环境中的性能都不可避免的急剧下降。为了让说话人识别系统在强噪声环境中,有较好的识别效果,研究一个将语音增强器和说话人识别系统级连起来的系统,该系统中将语音增强作为前端处理来提高输入的信噪比,实验证明,该系统具有很好的抗噪声性能。

基于异构小波基函数的语音增强方法研究

小波基函数的正交程度不同,消失矩、支撑性等也都不同,因此,选用不同的小波基函数会有不同的语音增强效果.本文通过对小波基函数性能研究和筛选,实现了小波基函数在语音增强中的不同作用,同时还提出了一种基于语音信号浊音段和清音段的可变阈值的语音增强实现方案.计算机仿真结果表明:这些方法的综合运用不仅能有效提高语音信号的信噪比,而且在很大程度上改善了语音的失真度,具有一定的实践指导意义.

双河油田V上聚驱物模数模参数对采收率增幅的影响研究

根据双河油田V上层系油藏特征建立该层系三维地质模型,在应用ECLIPSE三维两相数模软件对生产史进行拟合后,研究聚驱物模数模参数改变对该层系采收率增幅的影响,以确定各参数在现场应用的界限值,为聚合物选择提供理论依据,达到最充分发挥聚驱效果的目的。

改进的子空间语音增强算法

单通道子空间语音增强算法在加性噪声为白噪声的情况下,效果比较理想。加性噪声为有色噪声的情况下,通常用广义奇异值分解算法来进行处理。为了降低低信噪比情况下残留的音乐噪声,结合人耳的听觉掩蔽效应,提出了一种基于感官抑制的广义奇异值分解算法。实验结果显示,该算法能够明显地提高语音质量、可懂度和识别率,特别是在加性噪声是有色噪声的情况下实验结果明显优于其他的语音增强算法。

基于听觉小波包自适应语音增强方法

建立了听觉模型的小波包,考察了传统小波分析的软硬阈值与Donoho提出的小波阈值之间的关系,提出了一种新的自适应动态阈值的计算方法.结果证明,该算法不仅较好地解决了音乐噪声的问题,而且其语音增强效果具有更高的清晰度和可懂度.

结合听觉掩蔽效应的时频自适应小波阈值增强

针对浊音、清音和噪声的不同特性,结合听觉掩蔽并使用随尺度变化的多阈值对语音信号进行处理。提出了多小波门限估计法,该方法针对不同声音成分,使用不同的与尺度有关的缩小因子调节门限值;通过估计各频带内的信噪比,实现了阈值的时频自适应变化;用巴克小波包分解法模拟人耳临界带特性,用小波谱减法对带噪语音进行预增强,采用Johnston模型推导遮蔽阈值,并推导小波系数增益因子,用其调节时频自变化门限,即用听觉掩蔽效应进一步调节阈值。实验结果表明,提出的方法降低了噪声干扰,并减少了语音失真。

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。

利用二次函数的图像增强算法及FPGA实现

图像增强在图像处理中有着重要的作用,常用方法有直方图均衡化和灰度值线性拉伸法等,但是这两种方法对图像质量的改善不甚理想。因此,文中提出一种基于二次函数灰度值拉伸的图像增强算法,利用两段二次函数对图像进行灰度值自我调整,同时综合考虑图像对比度增强效果及硬件电路的易实现性,在Matlab上进行算法设计及仿真,在FPGA硬件平台上进行实现及验证。结果表明,所提算法能有效处理不同场景图像,处理后的图像层次感更强,质量更佳,观感更好。

一种基于广义奇异值分解的语音增强算法

广义奇异值分解的单通道语音增强算法在加性噪声为白噪声的情况下,效果比较理想.加性噪声为有色噪声的情况下,通常用一种基于熵奇异值分解(QSVD)的方法来处理.对QSVD算法进行衍生,首先提出了一种基于广义奇异值分解的子空间语音增强算法(GSVD).为了处理低信噪比时残留的音乐噪声,结合人耳的听觉掩蔽效应,进一步提出了一种基于感官抑制的GSVD(PCGSVD).试验结果显示,PCGSVD算法能够明显地提高语音质量、可懂度和识别率,特别是在加性噪声是有色噪声的情况下实验结果明显优于其他的语音增强算法.

基于听觉掩蔽效应的语音增强算法

对于低信噪比环境下的语音信号,传统谱减法残留的背景噪声较大。针对该问题,基于听觉掩蔽效应提出一种改进的语音增强算法。将人耳听觉掩蔽特性与功率谱减法相结合,设计一种时域递归平均算法对噪声进行估计,同时对带噪语音信号做频谱相减处理,从听觉的角度出发,利用估计的语音信号功率谱计算掩蔽阈值,并引入谱减功率修正系数和谱减噪声系数,实现带噪语音的信号增强。利用Matlab 2012b进行仿真,实验结果表明,该算法在低信噪比条件下能够较好地抑制背景噪声,改善语音质量,且与改进自适应滤波算法相比,其输出信号的信噪比可提高5%左右。

基于深度学习的听觉倒谱系数语音增强算法

针对现有语音增强算法在低信噪比(SNR)非平稳噪声环境下的表现并不理想这一问题,提出了一种基于深度学习的语音增强算法.首先,构建了一个深度神经网络(DNN),然后从四个不同分辨率的耳蜗中提取了多分辨率听觉倒谱系数(MRACC)作为神经网络的输入,该系数既关注了细节的高分辨率特征,又把握了全局性的低分辨率特征;其次,跟踪噪声变化构建了一个自适应掩蔽阈值(AM)作为神经网络的训练目标,该阈值能够依据噪声调节理想二值掩蔽(IBM)和理想软掩蔽(IRM)的权重;最后,将估计的自适应掩蔽阈值用于对含噪语音进行增强.实验结果表明:相较于对比算法,该算法不仅可以进一步提高语音质量和可懂度,而且能够抑制更多的噪声.