基于稀疏编码语音增强方法的研究.pdfVIP

第13卷第6期 电路与系统学报 v01．13No．6 2008年12月 JOURNALOFCIRCUITSANDSYSTEMS 文章编号：1007—0249(2008)06-0136—05 基于稀疏编码的语音增强方法研究★ 凌洁， 刘琚， 赵彩华， 杜军 (山东大学信息科学与工程学院，山东济南250100) 摘要t本文利用带噪语音经特征基函数矩阵转换后所具有的稀疏特性，用最大似然估计方法对转换后得到的稀疏 分量进行非线性压缩去噪，然后再经过反变换和重构恢复出原始语音信号的估计。特征基函数矩阵反映了语音数据本 身的统计特性，因此具有很好的合理性和可取性。仿真结果表明利用稀疏编码方法能极大程度地抑制背景噪卢，与小 波消噪法相比优势明显。 关键词t语音增强；稀疏编码；独立分量分析；小波消噪 中图分类号tTN912． 文献标识码tA 1 引言 语音通信过程中不可避免会受到周围环境噪声的干扰，这些干扰使接收到的语音为被噪声污染的 带噪信号。语音增强的目的就是从带噪信号中提取出尽可能纯净的原始语音。由于噪声的随机特性， 完全消噪是不可能的，语音增强的作用就是要改善语音质量，消除背景噪声，提高可懂度。目前已有 的语音增强算法大多是建立在语音生成模型及感知模型的基础上，主要有噪声对消法、谱相减法、维 纳滤波法等…；近年来基于小波变换的语音增强方法也取得了广泛的应用。本文将介绍一种基于稀疏 编码的语音增强方法。 稀疏编码最初起源于独立分最分析(Independent 到图像增强中12一J。 本文基于稀疏编码的语音增强方法主要利用了语音数据本身的统计特性，具有很好的真实性、合 理性和可取性。其基本原理是利用ICA对语音数据找到一种特征基函数转换矩阵，也即一种神经元网 络表征，．在这个神经元网络里，只有少数的一些神经元权值起主要作用，这样带噪语音经过该特征矩 阵转换后得到的分量具有稀疏特性，然后采用最大似然估计方法对各稀疏分量进行非线性去噪，最后 对去噪后的各分量进行逆变换和重构恢复出去噪后的信号，从而达到语音增强的目的。 计算机仿真实验结果表明稀疏编码去噪语音增强效果显著，不仅能极大的抑制背景噪声，而且失 真较小，增强语音的信噪比、可懂度和清晰度都较高，与小波消噪法相比，该方法具有明显的优势。 2 稀疏编码去噪原理 ：另 0．6 设一维带噪观测变量】，是由零均值平稳随机变量X和加性噪声 蹦 y构成： ：：； y=X+y (1) 2 式中x为具有稀疏分布的待估计原始信号，V为方差为盯2的高斯白噪 图1 Laplace超高斯分布 声。零均值随机变量x之所以称为“稀疏”是指其概率密度函数在原 点处有尖锋，两旁有较重的拖尾，实际上，稀疏分布就等同于超高斯分布‘21。 数分布是一种典型的超高斯分布，图中虚线为高斯分布情形。 ’收藕日期·2005．Il-11修订日期：2006·01．16 万方数据 第6期 凌洁等：基于稀疏编码的语音增强方法研究 137 Likelihood 估计法(Maximum Estimation，MLE)可以得到x的估计式如下： j=舢篙mm：三丁(y一“)2+90) (2) o 二() 也称作最大后验概率估计(MaximumAPosteriori．MAP)。这样，若概率。 密度函数p(．)确定，则可由此式估计原始信号。