I基于语音特性的自适应压缩感知.docVIP

基于语音特性的自适应压缩感知 刘智威，吴晓欢，朱卫平 （南京邮电大学 信号处理与传输研究院 南京 210003） 摘要：利用语音在域的稀疏性，提出了一种基于语音分为清音浊音的特点，自适应分配观测点数的语音重构方法。首先根据清浊音在整个语音段占有的能量比分配观测点，然后判断每帧语音性质，如果是清音，则根据能零比的大小来分配该帧的观测点数，如果是浊音，则根据能量的大小来分配观测点数。实验表明：语音信号是稀疏的并且可压缩，在同种压缩比下，本文所采用的语音重构算法具有较好的信噪比，误差以及分。Compressed sensing Based on Features of Speech Zhiwei Liu, Xiaohuan Wu, Weiping Zhu （Institute of Signal Processing and Transmission, Nanjing University of Posts and Telecommunications, Nanjing 210003,China） Abstract: Utilizing the sparsity of the speech signals in the DCT domain, this paper proposes a adaptive number of measurement speech recovery method based on compressed sensing. First, according to the energy ratio of voiced speech and unvoiced speech to distribute the number of measurement. Then enframe the speech segment, if the frame is a unvoiced speech, the numbers of measurement can be allocated according to its zeros and energy rate. if the frame is voiced speech, the numbers of measurement can be allocated according to its energy. The experiment results shows that the performance of speech signal based on the method above is superior to utilize compress sensing directly. Key words: compressed sensing; speech recovery; sparsity; OMP; adaptive 0.引言 传统信号的获取和处理过程主要包括采样，压缩，传输，解压等四个步骤，采样过程必须满足奈奎斯特采样定理（Nyquist Sampling theorem）压缩过程，先对信号进行变换，然后对绝对值相对较大的系数进行编码传输，舍弃接近零的系数可以看到，在压缩过程中，舍弃了大部分采样的数据。Candes从理论上证明可以从部分傅里叶变换系数精确重构原始信号，为压缩感知理论奠定了基础。 压缩感知(Compressed Sensing，CS理论表明，可以在不丢失逼近原信号所需信息的情况下，用最少的观测数来采样信号，实现信号的降维处理，即直接对信号进行较少采样得到信号的压缩表示，从而在节约采样和传输成本的情况下，达到了在采样的同时进行压缩的目的，突破的Nyquist采样定理的局限性。当信号具有稀疏性或可压缩性时，通过采集少量的信号投影值就可实现信号的准确或近似重构。 CS问世以来，在信息论与编码信号恢复有损压缩机器学习传感器网络等很多领域得到了广泛的研究，在图像信号处理也有广泛的应用。例如图像处理中，由于多数场合高频分量相对低频分量而言很小，图像信号时频系数可看作是稀疏的，利用 CS技术来采集图像可以大大降低数码率目前针对语音信号的CS研究还不多，本文针对语音信号的特点，提出了自适应分配每帧观测点数的方法来对语音信号进行重构，并且与直接CS重构的信号进行了对比。 是属于空间的任意一个列向量, 是属于的一组正交基，表示为，则信号X可以表示为： (1) 令，表示非零元素的个数，K很小表示信号X在正交基下是稀疏的，我们称X是K-稀疏的。此时，可以用一个与不相干的矩阵（M*N,MN）来对X进行线性变换： Y=X (2) 如果观测矩阵满足RIP性质[3]，我们可以由观测向量Y近似无损的重构原始信号X，