论文部分内容阅读
在实际的语音应用过程中,如语音识别、编码、合成和语音通信等,语音不可避免受到各种各样的噪声干扰,这些干扰会影响对语音信号的处理。因此,有必要对被噪声干扰的语音信号进行去噪处理,即语音增强。在众多语音增强方法中短时对数谱估计MMSE算法(LSA-MMSE,Short-time Log-spectral Amplitude Minimum Mean Square Error)计算相对简单,便于实时处理,消噪效果较佳,因此应用十分广泛。但在低信噪比情况下,该方法增强的语音中残留的噪声成分比较多,语音增强算法的去噪能力下降较明显。因此本文着重研究短时对数谱估计MMSE语音增强算法,旨在提高其去噪性能。本课题来源于深圳清华大学研究院提供的深圳市技术创新计划项目——智能数字电视中阵列数字语音处理技术研发,项目编号:CXZZ20130517113418268。本文做了以下工作:(1)分析LSA-MMSE算法的增益函数,推理出影响算法性能的关键因素——先验信噪比估计。引入Burg谱来估计带噪语音的功率谱,利用语音缺失概率参数(SAP,Speech Absent Probability)自适应调节先验信噪比平滑系数,改进LSA-MMSE算法。搭建基于Lab VIEW的音频采集系统,采集机房服务器噪声环境下的带噪语音以及其他背景噪声进行仿真实验,仿真实验结果表明改进LSA-MMSE算法去噪能力优越。(2)针对改进LSA-MMSE算法在处理汽车噪声、办公室噪声等常见低频噪声干扰时增强语音中低频的噪声成分残留较多的缺陷,研究改进LSA-MMSE算法与EMD(EMD,Empirical Mode Decomposition)结合的语音增强方法。对带噪语音先用改进LSA-MMSE算法去噪,对初步得到的增强语音进行EMD分解,根据IMF分量的方差特性自适应选取低阶IMF分量进行重构,得到增强语音。利用MATLAB平台进行仿真,仿真结果表明改进LSA-MMSE算法与EMD结合方法能较好的折中语音增强和语音失真。如在汽车噪声干扰下,改进LSA-MMSE算法与EMD结合分段信噪比提高量比改进LSA-MMSE算法平均高出0.67d B,改进LSA-MMSE算法与EMD结合语音失真度比改进LSA-MMSE算法平均降低2.63%。