现代信号处理报告语音增强.docVIP

现代数字信号处理阅读报告 在认真阅读本课程相关文献的过程中，加深了对维纳滤波、小波变换、语音信号处理方面知识的理解，本人近期主要是针对语音增强领域相关文献进行了阅读，并查阅了相关文献，学习了语音增强的一般方法。下文主要是本人在阅读文献后的一些学习记录和体会。 语音增强研究现状 语音增强是指当语音信号被各种各样的噪声干扰、甚至淹没后，从噪声背景中提取有用的语音信号，抑制、降低噪声干扰的技术。由于干扰通常都是随机的，从带噪语音中提取完全纯净的语音几乎不可能。在这种情况下，语音增强的目的主要有两个：一是改进语音质量，消除背景噪音，使听者乐于接受，不感觉疲劳，这是一种主观度量；二是提高语音可懂度，这是一种客观度量。这两个目的往往不能兼得基于谱相减的语音增强算法、基于小波分析的语音增强算法、基于卡尔曼滤波的语音增强算法、基于信号子空间的增强方法、基于听觉掩蔽效应的语音增强方法、基于独立分量分析的语音增强方法、基于神经网络的语音增强方法。 及后验性噪比，既谱减法相当于对带噪语音每一个频谱分量乘以系数，当信噪比高时，含有语音的可能性大，衰减小。反之，则认为含有语音的可能性小，衰减则增大。 最小均方误差增强方法(MMSE) 带有背景噪声的语音信号可以表示为，表示对纯净语音信号进行FFT变换后的第k个频谱分量，作为的MMSE估计值。由贝叶斯公式可得： 再根据假设噪声谱和语音频谱是服从零均值高斯分布可得： 定义一个增益函数，则，由此可得到纯净语音频谱幅度的估值，对其添加带噪信号的相位，并进行IFFT即可得到增强后的声音。 基于AR模型的语音增强方法 带噪语音包含的均是平稳噪声。因此，可以对除白噪声以外的噪声进行建模，并设计得到白化滤波器，带噪语音经过白化滤波器后，可有效抑制色噪声，但会残留相当能量的白噪声，这是用AR模型法很难滤除的。假设3种不同色噪声均为0均值、平稳随机过程，对其进行零化处理，同时由于已知数据足够大，所以暂不考虑数据长度对参数估计的影响。首先确定模型阶数，采用从低阶到高阶搜索的办法，即从 n=1开始对噪声进行拟合，每次拟和结果用检验准则来判断其适用性，直至达到符合要求的阶数。 经计算模型参差的自相关系数 根据自相关系数检验准则：如果(t=1,2….N)是白噪声，当数据长度N(200~300),k从1取到（20~30）时，近似于正态分布。根据这一理论，取置信度水平为0.95，可得检验式，当满足此式时，则认为相应的模型为适用模型。 在纯净语音上混入-5dB、0dB、5dB的三种较低信噪比的带噪语音，用谱减法、MMSE法、AR模型法进行语音增强实验，实验结果表明：谱减法剩余噪声较大，语音失真也较为严重。MMSE增强结果较好，但语音失真较严重。AR模型方法增强后噪声得到了“白化”，谐波结构的色噪声得到了有效地抑制，原始语音保留较好，但剩余的白噪声能量较大。AR模型法增强后语音信噪比在谱减法和MMSE方法之间，其主要原因就是其增强后语音残留的白噪声能量较大，导致信噪比较低。 三、 课程学习心得体会 通过对现代数字信号处理课程的学习，加深了自己对信号处理方面的认识，知识体系在本科学习数字信号课程的基础上进一步得到了提升与完善。在本课程的学习中学到了维纳滤波、卡尔曼滤波、自适应滤波器等相关知识，并系统学习了各种功率谱估计模型，对语音信号处理和视频信号处理方面加深了认识，在本科学习的基础上更加注重在理论水平上的提升。 近期的课程主要讲解关于语音信号的处理知识，本人对语音增强方面的知识较为感兴趣，通过阅读相关文献，对语音增强领域有了大体的了解，学习到语音增强的一般方法，在时域和频域方面都研究出诸多有效的增强算法，而不同的方法又有不同的利弊。通过阅读相关文献，了解目前较为常见的谱减法、MMSE法、AR模型法等语音增强方法，学习了这三种方法的一般处理过程，并了解了这三种算法的性能比较。通过对这些文献的学习，我获益良多，但在学习的过程中也存在着不少的疑问。对于文献中提到了复杂公式没有进行深入研究，有好多具体公式不懂；对于语音增强的一般方法还停留在对其过程的一般了解上，还没有系统细致的理解；在学习文献的过程中一直思考着如何将各种方法应用到自己研究方向上，但是不得其果，希望在今后的研究中能够得以实现，忘老师能给予指导。