抗噪算法部分中文翻译.doc

5 特征提取描述 5.1 噪声抑制 5.1.1 双门的美尔扭曲维纳滤波方法 噪声抑制是建立在维纳滤波理论上的，主要在两门的处理中完成。图5.1给出了前端噪声抑制模块的主要构成。输入信号首先经过第一门的去噪处理，然后输出作为输入进入第二门。在第二门中，多了一个动态的噪声抑制模块，它的工作是和信号的信噪比有关的。 去噪的过程是一帧一帧进行的，在堆输入信号分帧之后，每一帧的信号谱在谱预测模块计算出来，然后在平均功率谱密度模块对信号谱作平滑处理。在维纳滤波设计模块，频域维娜滤波系数通过当前帧的信号谱预测和噪声谱预测共同计算出来，噪声谱预测是通过对VADNest模块检测出来的噪声帧处理得到的。计算出来后，再加上一个美尔滤波器组对维纳滤波系数平滑，然后把维纳滤波器搬移到美尔扭曲频域上了。梅尔扭曲维纳滤波器的冲激相应通过美尔反离散余弦变换得到。最后，每一门的输入信号都经过维纳滤波器模块，如图5.1所示，第二门的输入信号就是第一门的输出信号。在噪声抑制模块的最后，OFF模块将信号的直流分量过滤掉。 另外，在第二门，在第二门中噪声抑制模块是被增益因式分解模块控制的。 维纳滤波理论是这样的：假定线性滤波器的输入为有用信号和噪声之和，两者均为广义平稳过程且知它们的二阶统计特性，维纳根据最小均方误差准则，求得了最佳线性滤波器的参数，这种滤波器称为维纳滤波器 。从噪声中提取引号波形的各种估计方法中，维纳（Wiener）滤波是一种最基本的方法，适用于需要从噪声中分离出的有用信号是整个信号（波形），而不只是它的几个参量。其基本依据就是最小均方误差准则。设维纳滤波器的输入为含噪声的随机信号。期望输出与实际输出之间的差值为误差，对该误差求均方，即为均方误差。因此均方误差越小，噪声滤除效果就越好。为使均方误差最小，关键在于求冲激响应。如果能够满足维纳－霍夫方程，就可使维纳滤波器达到最佳。根据维纳－霍夫方程，最佳维纳滤波器的冲激响应，完全由输入自相关函数以及输入与期望输出的互相关函数 所决定。 5.1.2 缓存分配 噪声抑制模块的输入是以80个采样点为一帧的数据。每一门都有一个大小为4帧的缓冲区（帧0到帧3），当有新的一帧输入进来时，这两个缓冲区中的数据都往帧0方向帧移一帧。新输入的帧变成了第一门的新的帧3,然后帧1（从点80到点159）中的数据作去噪的处理结果保存到第二门的帧3中去。第二门的帧1中的数据作去噪处理，结果作为整个去噪模块的去噪结果。所以去噪模块的每一门都有2帧的延迟（20毫秒）。在每一门的噪声抑制中，信号谱预测是同时在点60到点259处进行的。 5.1.3 谱预测 输入信号被分成了重叠帧，每一帧有Nin（这里Nin=200）个点，长25毫秒，帧移为10毫秒（80个点）。然后每一帧Sin（n）都被加上一个Nin长度的汉宁窗,Whann(n)为 从长度扩展到傅里叶变换唱的，用0补齐如下： 为了得到频域特征，进行傅里叶变换： bin表示的是频域；功率谱计算如下： 接着功率谱P(bin)再做平滑处理: 经过平滑处理后，功率谱的长度减少到 5.1.4 平均功率谱密度 这一模块计算每一功率谱密度最后的T帧的平均值，如下图： 平均功率谱密度计算公式为： 其中一般取值为2，t为帧（时间域上的） 5.3.5维纳滤波器设计 每一帧都会计算一个遗忘因子lambadaNSE： 如果tNB_FRAME_THRESHOLD_NSE 那么 ; 否则 在这里NB_FRAME_THRESHOLD_NSE=100, LAMBADA_NSE=0.99 在第一门处理的噪声谱预测依赖于VADnest里的flagVADnest，根据下面的方程式更新： 其中EPS等于exp(-10,0),t代表当前帧序数，tn代表最后一非语音帧，,P (bin,t)是PSD求平均模块的输出，被初始化为EPS。 在第二门处理中，噪声谱预测则是依照下面的方程持续不断地做下去： 如果t11 那么 否则 如果 那么 接着无噪声的信号谱预测则是用下面方法计算得到： 被初始化为0。BETA等于0.98,，而阈 那么先验SNR计算为： 滤波转移函数由下面等式得到： 这个函数是用来改善无噪声信号谱的预测的。 因此一个改善的SNR计算式为： 是等于0.079432823，改善的转移函数H(bin,t)由下等式得到： 5.15 维纳滤波器设计 一个遗忘因子lambdaNSE(用于第一门的噪声谱预测的更新)在每一帧都根据时间系数t计算得到： If(tNB_FRAME_THRESHOLD_NSE) Then lanbdaNSE=1-1/t else lambdaNSE=LAMBDA_NSE 这里的NB_FRAM