改进的参数自适应的维纳滤波语音增强算法

摘要

近年来，随着信息技术的发展，助听器的技术已日渐成熟，使用智能手机进行语音通信已经成为了人们生活中的必需品，人机交互也逐渐进入了人们的视野，语音已经成为了日常生活中不可或缺的一部分，所以，对语音进行处理成为了迫在眉睫的事情。然而现实生活中，在进行语音处理时，噪声却无处不在，纷繁复杂的噪声成为了处理语音过程中最大的障碍。过去几十年，如何将纯净语音从含噪语音中分离出来一直是各个研究者研究的重点，直至今日，语音增强依然是一个十分活跃的领域。传统的语音增强算法包括谱减法，维纳滤波算法，子空间法，最小均方误差法等。当进行语音增强时，这些传统的算法都没有考虑到不同的噪声对语音信号产生的不同影响。实际上，语音增强过程中包括语音估计和噪声估计两个重要的阶段，在进行噪声估计时，不同的噪声频谱特征不尽相同。本文在此理论基础上提出了根据不同噪声进行参数自适应的语音增强算法。
　　本研究主要内容包括：⑴介绍了语音和噪声的相关理论，包括语音和噪声的主要特征，含噪语音的信号模型及噪声评估算法。对近年来的语音增强算法进行归纳总结与比较分析，并对经典的语言增强算法进行仿真实验，分析得出经典算法普遍存在的问题----同一种语音增强算法不能对所有的噪声类型都起到作用。⑵在对经典的分类算法进行了归纳总结后，阐述了这些分类算法在大数据的处理方面存在的问题，进而提出了本文所使用的分类算法----基于深度置信网络的噪声分类算法（Deep belief networks），并对此算法的分类过程进行了详细的介绍，对其分类的准确性进行了仿真实验并将其与人工神经网络算法的分类准确性进行了对比，结果表明：本文提出的分类算法具有较高的分类准确性。⑶由于基于先验信噪比的维纳滤波语音增强算法能够较大程度的提高语言的质量并且含有较少的音乐噪声，所以本文对基于先验信噪比的维纳滤波语音增强算法进行了详细的推导与分析，并对其进行了相应的仿真实验，得出此算法不能提高所有噪声类型干扰下的语音质量，即而提出了本文的算法----基于噪声分类的参数自适应维纳滤波语音增强算法。选用声音活动检测（VAD）法对噪声功率谱进行估计，并将其与维纳滤波算法结合得到不同噪声条件下的最优的参数组合。将此最优参数组合应用到之前使用深度置信网络算法进行分类后得到的噪声种类中去，并对先验信噪比的高估部分进行修正，最终得到本文提出的语音增强算法。⑷对提出的算法进行实验仿真，将其与经典的基于先验信噪比的维纳滤波算法进行比较，评估算法包括质量评估和可懂度评估，质量评估选用语音质量感知评估（PESQ），可懂度评估选用标准化协方差法（NCM）。在实验的最后对未知的噪声也进行了仿真实验分析，将未知噪声使用提出的分类算法匹配到已知噪声中，根据匹配的类型选用最优的参数组合进行语音增强，来证明提出的算法具有普遍适用性。结果表明，提出的算法能在不降低低信噪比语音可懂度的同时提高语音的质量，并且对未知噪声具有普遍适用性。

目录

声明

第一章 绪论

1.1 课题背景及意义

1.2 国内外研究现状

1.3 本文研究内容及论文结构

第二章 语音的相关介绍及问题分析

2.1 语音增强的基本理论

2.2 语音增强算法综述

2.3 经典算法存在的问题

2.4 噪声评估算法

2.5 本章小结

第三章 语音性能评估方法

3.1 语音性能评价方法简介

3.2 语音性能的主观评价

3.3 语音性能的客观评价

3.4 本章小结

第四章 基于深度置信网络的噪声分类算法

4.1 分类算法的基础理论

4.2 分类算法综述及其缺点分析

4.3 基于深度置信网络的噪声分类算法

4.4 本章小结

第五章 参数自适应的维纳滤波语音增强算法

5.1 维纳滤波基础理论

5.2 基于先验信噪比的维纳滤波算法

5.3 基于噪声分类的参数自适应维纳滤波算法

5.4 仿真实验及结果分析

5.5 本章小结

第六章 总结与展望

6.1 本文研究内容的总结

6.2 存在的问题及展望

参考文献

致谢

攻读学位期间发表的学术论文目录