基于小波变换的语音信号去噪(详细)解读.docVIP

测试信号处理作业 题目：基于小波变换的语音信号去噪 年级： 级 班级： 仪器科学与技术 学号： 姓名： 日期： 2015年6月 基于小波变换的语音信号去噪 对于信号去噪方法的研究是信号处理领域一个永恒的话题。经典的信号去噪方法，如时域、频域、加窗傅立叶变换、维纳分布等各有其局限性，因此限制了它们的应用范围。小波变换是八十年代末发展起来的一种新时-频分析方法，它在时-频两域都具有良好的局部化特性；并且在信号去噪领域获得了广泛的应用。 目前已经提出的小波去噪方法主要有三种：模极大值去噪、空域相关滤波去噪以及小波阈值去噪法。阈值法具有计算量小、去噪效果好的特点，取得了广泛的应用。然而在阈值法中，阈值的选取直接关系到去噪效果的优劣。如果阈值选取过小，那么一部分噪声小波系数将不能被置零，从而在去噪后的信号中保留了部分噪声信息；如果阈值选的偏大，则会将一部分有用信号去掉，使得去噪后的信号丢失信息。 1、语音信号特性 由于语音的生成过程与发音器宫的运动过程密切相关，而且人类发音系统在产生不同语音时的生理结构并不相同， 因此使得产生的语音信号是一种非平稳的随机过程(信号)。但由于人类发生器官变化速度具有一定的限度而且远小于语音信号的变化速度，可以认为人的声带、声道等特征在一定的时间内(10- 30ms)基本不变，因此假定语音信号是短时平稳的，即语音信号的某些物理特性和频谱特性在10-30ms的时间段内近似是不变的，具有相对的稳定性，这样可以运用分析平稳随机过程的方法来分析和处理语音信号。在语音增强中就是利用了语音信号短时谱的平稳性。 语音信号基本上可以分为清音和浊音两大类。清音和浊音在特性上有明显的区别，清音没有明显的时域和频域特性，看上去类似于白噪声，并具有较弱的振幅；而浊音在时域上有明显的周期性和较强的振幅，其能量大部分集中在低频段内，而且在频谱上表现出共振峰结构。在语音增强中可以利用浊音所具有的明显的周期性来区别和抑制非语音噪声，而清音由于类似于白噪声的特性，使其与宽带平稳噪声很难区分。 由于语音信号是一种非平稳、非遍历的随机过程，因此长时间时域统计特性对语音信号没有多大的意义，而短时谱的统计特性对语音信号和语音增强有着十分重要的作用。语音信号短时谱幅度统计特性的时变性，使得语音信号的分析帧在趋于无穷大时，根据中心极限定理，其短时谱的统计特性服从高斯(Gauss)分布，而在实际应用时只能在有限帧长下进行处理，因此，在有限帧时这种高斯分布的统计特性是一种近似的描述，这样就可以作为分析宽带噪声污染的带噪语音信号增强应用时的前提和假设。 2、常用的信号分析方法 2.1傅立叶变换 傅立叶变换(Fourier transform，FT)由下式定义： 正变换：；逆变换： 对于确定信号和平稳随机信号，傅立叶变换是信号分析和信号处理技术的理论基础，有着非凡的意义，起着巨大的作用。 傅立叶变换把时间域与频率域联系起来，具有明确的物理含义，通过 来研究，许多在时域内难以看清的问题，在频域中往往表现的非常清楚。 但正是由于傅立叶变换的域变换特性，与彼此之间是整体刻画，不能够反映各自在局部区域上的特征，因此不能用于局部分析。作为变换核的的幅值在任何情况下均为1，即，因此，频谱在任一频率处的值是由实践过程在整个时间域上的贡献决定的；反之，过程在某一时刻的状况也是由在整个频率域上的贡献决定的。如果要想知道所分析信号在突变时刻的频率成分，那么傅立叶变换是无能为力的，因为傅立叶变换的积分作用平滑了非平稳信号的突变部分。 傅立叶变换能提取出函数在整个频率轴上的频率信息，却不能反映信号在局部时间范围内的特征。对于变频信号，如音乐、地震、回波信号 灯，此时所关心的恰恰是信号在局部时间范围内(特别是突变部分)的信号特征(一般是频率成分)。 对非平稳信号用傅立叶变换进行分析，不能提供完全的信息，也即通过傅 立叶变换，可以知道信号所含有的频率信息，但无法知道这些频率信息究竟出现在哪些时间段上。可见，若要提取局部时间短的频率信息，傅立叶变换已经不再实用。 2.2 小波变换 小波分析是一种窗口面积固定但其形状可以改变，时间窗和频率窗都可改 变的时频局域化分析方法，即在低频部分具有较高的频率分辨率和较低的时间 分辨率，在高频部分具有较高的时间分辨率和较低的频率分辨率，所以被称为数学显微镜。正是这种特性，小波变换具有对信号的自适应性。 小波变换具有以下的特点和作用： (1)具有多分辨率的特点，可以由粗到细逐步观察信号； (2)我们可以把小波变换看成用基本频率特性为的带通滤波器在不同尺度下对信号做滤波。由于傅立叶变换的尺度特性，如果的傅 立叶变换是，则