语音信号的自适应噪声对消法外文翻译译文.docVIP

语音信号的自适应噪声对消法 MARVIN R. SAMBUR, IEEE会员 摘要 本文提供一种基于最小均方算法（LMS）的自适应滤波方法，该方法能去除语音信号中加性噪声的有害性影响。不同于传统LMS自适应滤波方案，这种建议的方法目的在于用来对消纯净的语音信号。该方法利用语音信号的准周期特性，从时间t前一个估计基音周期时刻的信号值得到t时刻的语音信号估计值。针对加性白噪声失真，初步测试表明该方法改善了所知的语音质量并且在0dB环境下信噪比增加了7dB。该方法也能够部分去除CVSD编码话音信号的可知颗粒性和在线性预测分析/噪性语音合成上得到改善。 I.前言 在所有实际情况中，接收到的语音波形都包含有某些噪声成分。此噪声也许是由于在传输波形编码中有限精度所致（量化噪声），或者由于背景噪声与声音耦合叠加上而造成的。根据噪声的量值与类型，所接收的波形质量会从略微下降到令人烦躁，最后完全难不清晰。 解决从接受的信号中去除不想要的噪声成分的难题已成为众多研究者的研究目标。Wiener以及其他研究人员的开拓性研究给出了一种滤波器最优算法，该滤波器的作用是抑制噪声同时保留相对不变的期望信号[1]- [3]。这些滤波器的设计要求信号和噪声是固定的，还要求两种信号的统计值是先验已知的。实际上，这些条件几乎不能满足。 本文中介绍了一种基于最小均方（LMS）自适应滤波算法针对语音信号最优噪声滤波技术[4]。该技术不要求具备噪声具体特性的先验知识。它是利用语音的准周期的自然特性。初步结果表明该技术可改善感知后被加性白噪声污染的语音信号质量。此外，这种方法还能改善CVSD编码语音感知后的质量和噪性语音线性预计分心/合成。 本文章节内容如下。在下一个章节，回顾针对噪声对消的自适应滤波原理。阐述该原理如何能够够应用于从语音波形中滤除噪声。在第五章节，讨论提出的去除加性白噪声告干扰和滤除CVSD编码语音颗粒性的技术试验评估。在第六章节，讨论改善噪性语音LPC分析/合成性能算法的效果 II.自适应噪声对消原理 图1描述自适应噪声对消的基本原理。1自适应滤波器的输入是与加性干扰高度相关的噪声信号w1 (n)，但是w(n)与纯净信号s(n)不相关（可以认为w1 (n)来源于放置在无法探测信号的噪声场中的一个点上的传感器）。参考信号w1 (n)经滤波产生加性噪声w(n)的估值输出(n)。然后该输出与噪性信号x(n)相减产生系统输出z(n)。系统输出用于控制自适应滤波器，也是s(n)的估值。 假设s(n)与w1 (n)和w(n)都不相关，并假设可调整自适应滤波器给出具有最小可能能量的系统输出z(n),那么z(n)是纯净信号s(n)相对应的最小均方值。为了证明这一点，给出z (n)功率如下 式中E(.)定义为期望值。现在因为噪声项和信号s(n)假设不相关的， 由于信号能量对于感兴趣帧段内是定量值，最小化输出能量 因此，当调整噪声对消滤波器以便使E(z(n))达到最小时，E((w(n)-(n)))2也达到最小。那么滤波器输出(n)就是初始噪声w(n)最佳的最小均方估计值。而且，当E((w(n)-(n))2)达到最小时，E((z(n)-s(n))2)也是最小，因为 因此，z(n)是纯净信号s(n)的最佳最小均方估计值。 图1. 噪声对消模型 1这部分很多材料取自[4]的优秀论文 III.对语音输入的噪声对消法 自适应噪声对消器的成功取决于得到外部的参考噪声输入，该参考噪声输入与信号不相关而与加性噪声污染高度相关。在大多数应用中，参考噪声信号不适用于第二个传感器。为了避免这个问题，之前的研究者们试着通过假设噪声是固定的，以及在划定为“静默”（或称之为无信号）周期内确定的平均信号作为噪声的替代来形成参考噪声信号[5] , [6]。不幸的是这个方法并不好，因为噪声几乎不是固定的，有限的样本也许不足以估计噪声信号，静默状态不是没有误差的，最终该技术不能应用于量化噪声。 尽管确定参考噪声输入也许是困难的，但确定原始语音信号的参考输入却是相当简单额。因为语音是准周期的，经过一小段（一个或两个基音周期）延迟后的一段语音将与真实的语音信号s(n)高度相关，而与加性噪声w(n)不相关（假设w(n)有足够宽的频带）。 图2描述如何利用语音信号的准周期特性来有效去除噪声。在这套系统中，利用s(n)和s(n - T)高度相关，w(n)和w(n - T)本身不相关以及与语音信号不相关。使用第二章节的观点能够发现最小化系统输出(n)能量将得出信号(n)是与s(n)相适应的最小均方值。 图2. 去除语音中噪声的自适应滤波法 IV.噪声对消算法 图3给出了建议的自适应滤波器的结构，该结构表示一个具有有限脉冲响应输出的滤波器 式中x是噪声语音信号，T是感兴趣帧段内的分析基音周期。该基音周期