噪声估计的算法及MATLAB实现.pdfVIP

太 原 理 工 大 学 毕 业 设 计 （论 文 ） 任 务 书 毕业设计（论文）题目 ； 噪声估计的算法及 MATLAB实现 毕业设计（论文）要求及原始数据（资料） ： 论文要求： (1) 1-3 周查找噪声估计算法的一些相关文献 (2) 4-6 周找出的几种噪声估计算法的特点 (3) 7-8 周确定 2-3 种噪声估计的算法 (4) 9-11 周确定大纲 , 完成开题报告 (5) 12-13 对确定的噪声估计算法进行仿真 , 对比找出算法的不足及今后的研究方 向 (6) 14 周定出初稿 , 最后在老师的指导下最终完稿 , 准备答辩 论文原始数据： 有关抗噪声技术的研究，在国内外作为非常重要的研究课题，已经作了大量 的研究工作，取得了丰富的研究成果。而噪声估计是语音增强中一个非常重要的 部分，在这方面的研究，国外比较多一些。 传统的噪声估计方法是使用语音活动性监测 ( VAD:Voice Active Detection) 判 别语音是否出现，并分离出无声段 , 此时无声段主要表现为噪声特性 , 然后在无声 区通过某种统计方法 , 获得背景噪声特性的近似估计 , 对噪声谱进行更新。尽管该 方法在噪声为平稳的情况下是可行的，但是在实际的噪声环境中噪声谱的特性变 化很大 , 在低信噪比下 ,VAD的误检率会增大 , 在不能正确判断无声段的情况下很难 保证估计出来的噪声的准确性。因此，为了实现精确的噪声估计，就要对噪声谱 进行实时的估计。 1994年 Martin 提出了一种基于最小值统计的方法来估计噪声，它是基于带噪 语音信号的功率水平滞后于噪声的功率水平，因此可以通过跟踪带噪语音信号功 率谱的最小值来获得噪声功率谱的估计值。 在大约 1.5s 的滑动窗口内寻找每一频 率带内的频谱最小值，经过补偿后和带噪语音的功率谱进行比较。不论带噪语音 的功率谱是否小于局部最小值，局部最小值都需要更新。同时，为了能更快的跟 踪并更新局部最小值和频谱最小值，把滑动窗口分为子窗口，在每个子窗口内更 新噪声的估计谱，提高了精确度。此算法的基本思路是先用一个最优平滑滤波对 带噪语音的功率谱滤波，得到一个噪声的粗略估计。然后找出粗略噪声中的在一 定时间窗内的最小值，对这个最小值进行一些偏差修正，即得到所要估计的噪声 的方差。 1995年 Doblinger通过比较前帧带噪语音子带平滑功率谱最小值和后帧带噪语 音子带平滑功率谱之间大小，对带噪语音子带平滑功率谱最小值每帧进行跟踪和 I 更新，并将其作为估计的噪声谱，该噪声谱估计方法计算效率高，能快速适应背 景噪声的变化， 但是它直接把带噪语音子带平滑功率谱最小值作为估计的噪声谱， 使得噪声谱过估计。 2002年 Cohen 和 Berdugo提出了一种基于最小值控制递归平均法的噪声估计 算法 ,把最小追踪法的鲁莽性与递归平均方法的简单性结合到一起， 该算法能够快 速地追踪突变的噪声功率谱。与最小统计相比，对最小值的跟踪不是关键性的， 在进行递归平均时不需要对语音出现与缺失进行区分，因此即使在弱语音段也同 样可以进行连续噪声估计更新。具有能够快速跟踪噪声谱的突变的能力。 Cohen的噪声估计算法依赖于最小值的跟踪算法， 虽然比起 Martin 的最小值统计跟 踪算法效果要好的多，但无法完全避免在噪声上升区域的噪声欠估计及持续强语 音后面区域出现的噪声过估计的缺陷。 2004年 Rangachari 和 Loizou提出了一种快速估计方法，不仅使得带噪语音子 带中语音出现概率计算更准确，而且噪声谱的更新在连续时间内不依赖固定时间 的窗长，但是在语音或噪声能量过高时噪声的估计就会慢下来，而且如果