论文部分内容阅读
语音信号在日常生活中得到广泛应用。但是在现实应用中语音信号经常受到噪声的污染,那么对语音信号进行去噪处理就显得尤为重要。语音去噪就是将语音信号从带噪信号中恢复出来。现实中,由于噪声可能是非平稳的并且可能与语音信号有很强的相关性,所以对语音信号进行去噪处理是一件非常困难的工作。对于与语音相关的噪声,干净的语音信号可以通过先验语音字典进行稀疏编码,与语音相关的噪声信号可以通过先验噪声字典进行稀疏编码。我们用语音字典和噪声字典组成的混合字典对带噪语音信号进行稀疏编码,这样就将语音信号从带有噪声的信号中恢复出来了。但是对于与语音信号相关的噪声,在编码过程中,有语音字典原子编码噪声成分,而噪声字典原子表示语音成分的现象。这样就导致去噪效果不理想。基于该问题,本文做了以下工作或改进:1.语音字典及噪声字典学习在基于稀疏编码的语音去噪技术中,字典学习具有重要地位。通常在基于稀疏编码的语音去噪算法中,假设语音信号以及与语音信号相关的噪声信号都具有稀疏性。本文假设语音信号具有稀疏性,而与语音信号相关的噪声信号具有低秩性。本文用K-SVD字典训练算法得到冗余的语音字典。而对于噪声字典,我们用实验说明了噪声低秩性假设的合理性,同时采用K-SVD字典学习技术以及主成分分析技术得到低秩的噪声字典,减少噪声字典中的原子个数,降低了噪声字典表示语音信号的概率。2.稀疏编码算法在语音信号中,相邻语音帧之间具有较强的相关性。传统的稀疏编码方法最小角回归算法在原子选取的过程中,仅仅参考残差与字典原子的相关性。本文在稀疏编码方法最小角回归算法的基础上,提出了基于语音局部相关性的改进型最小角回归算法。在改进型最小角回归算法中,对当前语音帧进行稀疏编码时,不仅仅考虑残差与语音字典原子的相关性,并且适当增加相邻语音帧中用到的字典原子在当前帧被用到的概率,降低了噪声字典原子表示语音信号而语音字典原子表示噪声信号的概率。