基于双RBF网络的车内语音降噪系统研究

摘要

智能汽车电子牌照等电子设备在汽车内的应用使车内的人与设备之间的语音交互越来越显示出其重要性和广泛的需求。但车内人机语音交互由于容易受到车内环境噪声的干扰，语音识别的准确率与在纯净环境下相比将严重下降，难以达到实际人机语音交互的要求。研究和提出车内环境下的语音降噪方法，是提高语音识别率的基础和关键内容之一。 针对上述问题，本文提出了一种基于双径向基函数(radial basis function，简称RBF)神经网络的车内语音降噪算法。 论文给出了该语音降噪算法的基本原理、实现方法以及降噪效果。在对比了BP网络与RBF网络的非线性逼近能力的基础上，提出了一种改进的RBF网络时域降噪的方法。该方法有效地减轻了神经网络的负担并减少了训练时间。在MATLAB软件平台上的仿真结果表明，该方法能够有效地抑制噪声，大幅度提升信噪比(signalnoise rate，简称SNR)。 在变换域上，提出双RBF网络结合共振峰参数、线性预测系数与差分线性倒谱系数三组参数的降噪方法。在MATLAB软件平台仿真结果表明，该方法对语音信号的基音频率、共振峰等语音特征影响很小，能够较好的保留语音信号的频谱结构，改善语音的听觉质量，同时提高信噪比。 本文在TI公司生产的TMS320VC5416平台上对车内语音降噪系统进行了实时实现。采用了TLV320AIC23作为语音编解码器，大大提高了编解码效率，以利于实时语音信号处理的实现。

目录

文摘

英文文摘

声明

第一章绪论

1.1研究背景

1.2语音降噪的研究现状

1.3车内语音降噪的应用领域及前景

1.4论文结构

第二章语音识别技术及常用降噪算法分析

2.1语音识别技术

2.1.1语音识别技术的发展与现状

2.1.2语音识别技术的原理

2.1.3语音识别技术中降噪的重要性

2.2基于单通道输入的语音降噪算法

2.2.1谱减法

2.2.2谐波增强法

2.2.3基于语音生成模型的算法

2.2.4基于小波变换的语音降噪算法

2.2.5信号子空间的语音降噪算法

2.3基于多通道输入的语音降噪算法

2.3.1自适应噪声对消法

2.3.2阵列信号处理方法

2.4基于人工神经网络算法的语音降噪研究

2.4.1人工神经网络在车内语音降噪中的应用特点

2.4.2 RBF神经网络的结构与训练算法

2.4.3 RBF网络与BP网络在非线性逼近上的实验分析

2.4.4在语音降噪领域中神经网络的具体应用

2.5小结

第三章基于神经网络的时域降噪研究

3.1时域降噪概述

3.2读取声音文件

3.3语音端点检测

3.3.1短时平均能量

3.3.2短时过零率分析

3.3.3本文采用的端点检测方法

3.4预处理

3.4.1分帧

3.4.2加窗

3.5 RBF网络训练

3.5.1前期准备

3.5.2 RBF网络的设计

3.5.3训练RBF网络

3.5.4网络测试与输出

3.6重建语音

3.7形成.wav声音文件

3.8降噪效果评估

3.8.1信噪比评价

3.8.2与BP网络相比较

3.9小结

第四章基于神经网络的变换域降噪研究

4.1变换域降噪概述

4.2预处理

4.2.1预加重

4.2.2分帧加窗

4.3短时傅里叶变换

4.4语谱图

4.5提取共振峰

4.5.1共振峰

4.5.2共振峰参数的提取

4.6.LPC、LPCC与△LPCC系数

4.6.1 LPC系数

4.6.2 LPCC系数

4.6.3△LPCC参数

4.7 RBF网络降噪处理过程

4.7.1建立RBF网络

4.7.2处理LPC与△LPCC

4.7.3处理共振峰参数

4.8语音的重建

4.8.1修正频谱包络

4.8.2频谱包络恢复时域信号

4.8.3时域叠加

4.8.4去加重与重建.wav文件

4.9变换域降噪效果分析

4.9.1时域波形

4.9.2语谱图

4.9.3信噪比

4.10小结

第五章语音降噪的DSP实现

5.1 DSP概述

5.2 DSP实现的硬件平台

5.2.1 TMS320C54X介绍

5.2.2 TMS320VC5416开发环境

5.2.3系统硬件结构

5.3系统软件的设计

5.3.1程序设计流程

5.3.2主程序设计

5.3.3 TLV320AIC23配置

5.4小结

第六章总结与展望

参考文献

研究生期间发表的论文

致谢