基于改进阈值函数小波语音增强方法的研究
语音增强中小波收缩阈值算法和阈值函数研究
０ 引 言
对 于说话 人 识别 系统 或语音 识别 系统 ， 高信 噪 比情 况下 获 得 的识 别 率 可 以达 到 比较 高 的程 度 ． 是 ， 但 如
果 语音 信号 受到 噪声 的干 扰 ， 别率 就会 大 幅下降 ． 识 因此使 用有 效 的信 号增 强 方法 得 到 高 质 量 语音 信 号 ， 对
摘 要 ： 波 收 缩 用 于语 音 增 强 时 ， 小 阈值 算 法 和 阈值 函 数是 最 重 要 的 参 量 ． 了在 小 波语 音 增 强 中得 到 可 靠 的 选择 为
方案 ， 通过对这两种小波收缩参数进行分析 ， 得到 了相 关数 据结果 ， 并给 出 Ｓ Ｒ Ｕ Ｅ阈值 算 法和 Ｕｉ ｒｌ ｎ ｅａ 阈值算 法的 ｖｓ
Ｔｈ ｅ ｈ ｌ ｌ ｏ ｉｈ ｓ ａ ｄ ｆ ｎ ｔｏ ｆ ｗａ ｅ ｅ ｒ ｓ ｏ ｄ ａ ｇ ｒｔ ｍ ｎ ｕ ｃ ｉ ｎｓ ｏ ｖ ｌ ｔ
ｓ ｉ ｋ ｇ ｎ ｓ ｅ ｃ ｎ ａ ｃ ｍ ｅ ｔ ｈｒｎ ａ ｅ ｉ ｐ ｅ ｈ ｅ ｈ ｎ ｅ ｎ
Ｚ ＨＡＯ Ｘｉ ＧＡＯ —ｈ ｏ ａ， Ｙａ ｚ ａ
ｔｎ ｗ ｉ ｅｅｃｔ ｏ ｚｄｉｔ ｔｏｍ ｊ ｒ ｐ ：ｏ ｎｔ ｎ ｎ ａ ｎｔ ｎ ．ｈ ｏｒ ｐｎ ｉｇｓ］ — ｉ ， ｈ ｈｗ ｒ ａ ｇｒｅ ｏ ｗ ａ ｒ ｏ ｓｓｆｆ ｃ ｏｓ ｄｈ ｒ ｆ ｃ ｏｓＴ ｅｃｒ ｓｏｄｎ ｅ ｃ ｏ ｃ ｅ ｉ ｎ ｏｇ ｕ ｔｕ ｉ ａ ｄ ｕ ｉ ｅ ｅ
第２ ７卷 第 ４期
２０ ０ ８年 ８月
文章 编 号 ：６ ４—０ ７ （ ０ ８ ０ １７ ０ ６ ２ ０ ）４—０ ４ ０ ０ ４— ４
南 昌 工 程 学 院 学 报
《2024年基于深度学习的多通道语音增强方法研究》范文
《基于深度学习的多通道语音增强方法研究》篇一一、引言随着人工智能技术的飞速发展，语音信号处理在众多领域中扮演着越来越重要的角色。
然而，由于环境噪声、信道失真、干扰声源等因素的影响，实际环境中获得的语音信号往往存在严重的质量问题。
为了改善这一情况，提高语音识别的准确性和可懂度，多通道语音增强技术应运而生。
本文将重点研究基于深度学习的多通道语音增强方法，旨在通过深度学习技术提高语音信号的信噪比和清晰度。
二、多通道语音增强技术概述多通道语音增强技术通过在空间域和时间域上利用多个传感器，以收集到来自不同方向的语音信号信息。
利用这一技术，可以有效地抑制噪声和干扰声源，从而提高语音信号的信噪比和清晰度。
传统的多通道语音增强方法主要依赖于信号处理技术，如滤波器、波束形成等。
然而，这些方法往往难以处理复杂的噪声环境和动态变化的声源。
三、深度学习在多通道语音增强中的应用深度学习技术为多通道语音增强提供了新的解决方案。
通过构建深度神经网络模型，可以自动学习和提取语音信号中的有效特征，从而实现对噪声和干扰声源的更有效抑制。
此外，深度学习还可以在多通道语音信号的融合和降噪过程中，对时间域和空间域的信息进行联合处理，进一步提高语音增强的效果。
四、基于深度学习的多通道语音增强方法研究本文提出了一种基于深度学习的多通道语音增强方法。
该方法首先通过多个传感器收集来自不同方向的语音信号信息，然后利用深度神经网络模型对收集到的信息进行特征提取和降噪处理。
具体而言，我们采用了卷积神经网络（CNN）和循环神经网络（RNN）的组合模型，以实现时间和空间域上的联合处理。
在训练过程中，我们使用了大量的实际录音数据和模拟噪声数据，以使模型能够更好地适应各种噪声环境和动态变化的声源。
五、实验与结果分析为了验证本文提出的多通道语音增强方法的性能，我们进行了大量的实验。
实验结果表明，该方法在各种噪声环境下均能显著提高语音信号的信噪比和清晰度。
与传统的多通道语音增强方法相比，基于深度学习的多通道语音增强方法具有更高的准确性和鲁棒性。
基于小波变换的语音增强-阙值去噪的研究
ｌ Ｌ Ｌ 卜 ＿
小波 阙值去噪方 法 中关键 是如何进行 小 波系数估计 。对 了 ｆ ） （ 连续作几次小 波分解之 ｋ 后， 由于空 间分布不均匀 ， 原始信号 ｓ ） 对应 （所 ｋ 的各尺度上小波系数 ， 在某些特定 的位置有 较 大的值 ， 这些点对 应于原始 信号 ｓ ） （ 的奇 异 ｋ 位置和重要信息 ，而其他大部分位置的 ｗ 时值 较小； 对于白噪声 ｎｋ， （）它所对应的小波系数 ｗ 在每一尺度上分布是均匀的 ， 并随着尺度 的增 加 ｗ ｎ系数 的幅值有所减小 。 因此 ， 通常的去噪 的办法是寻找一个合适 的 作为阙值 ， 把低 于 的小波系数（ 主要 由噪声 引起） 为零 ， 设 面对高 于 的小波 系数 （ 主要 由信号 引起）则予以保 ， 留或进行收缩 ，从而得 到估计小波系数 它 可理解 为基 本上是 由信号 ｓ ） （ 引起 的， ｋ 然后对 进行重构 ， 就可重构原始信号。 小波 阙值的去噪方法 中， 步骤 ａ Ｃ 和 分别 是小波分解与重构过程 ，已有现成 的算 法 ， 因 此 ，该方法 的核心是步骤 ｂ ，即小波系数的估 计， 或称 阙值处理。 １ ． ２小波阙值去噪 的相关问题
ｆ
＝
，
ｌ ｊ一ｇ ’ 一 ）， ｊ Ｗ ｓ （ ｎ ’ ‰ ｛ ０ ， ｊ ， ｙ （ ） 噪效果 。 Ｉ ＜ － ３ １ ２ ２ 其 它 ４结论
ｌ１ ． 一 ＋ 一
软、 硬阈值方法， 运用新阈值函数的方法不仅能 较好地反映原始信 号的 概貌， 而且有良 去 好的
Ｉ
其 中
１ ｅｐ２ ，／） ＋ｘ（ｗ
图 ２ 在 ｈ ｌ 是 ＝，
＇ ｈ３ ， ／ 情况下的新 阈值函数。 ／ ＝ ２ 新 阙值 函数的分 析 － ２
小波变换语音消噪(改进阈值)
改进阈值函数进行语音信号消噪，但是在程序运行过程中频频报错。
本人经验不足调试不出，希望求得各位指导改进函数表达式附图clear all; clc; close all;fs=8000;%语音信号采样频率为8000xx=wavread('lw1.wav');x1=xx(:,1);%取单声道t=(0:length(x1)-1)/8000;y1=fft(x1,2048);%对信号做2048点FFT变换f=fs*(0:1023)/2048;figure(1)plot(t,x1) %做原始语音信号的时域图形y=awgn(x1',10,'measured');%加10db的高斯白噪声[snr,mse]=snrmse(x1,y')%求得信噪比均方误差figure(2)plot(t,y) %做加噪语音信号的时域图形[c,l]=wavedec(y,3,'db1');%多尺度一维分解%用db1小波对信号进行3层分解并提取系数a3=appcoef(c,l,'db1',3);%a2=appcoef(c,l,'db1',2);%a1=appcoef(c,l,'db1',1);d3=detcoef(c,l,3);d2=detcoef(c,l,2);d1=detcoef(c,l,1);thr1=thselect(d1,'rigrsure');%阈值获取，使用Stein的无偏风险估计原理thr2=thselect(d2,'rigrsure');thr3=thselect(d3,'rigrsure');%利用改进阈值函数进行去噪处理gd1=Garrote_gg(d1,thr1);gd2=Garrote_gg(d2,thr2);gd3=Garrote_gg(d3,thr3);c1=[a3 gd3 gd2 gd1];y1=waverec(c2,l,'db1');%多尺度重构[snr,mse]=snrmse(x1,y1')%求得信噪比均方误差figure(3);plot(t,y1);function gd=Garrote_gg(a,b)%a为信号分解后的小波系数，b为获得的阈值m=0.2*((a*a)-(b*b));if (abs(a)>=b)gd=sign(a)*(abs(a)-b/exp(m));else (abs(a)<b)gd=0;endfunction [snr,mse]=snrmse(I,In)% 计算信噪比函数% I :原始信号% In:去噪后信号snr=0;Ps=sum(sum((I-mean(mean(I))).^2));%signal power Pn=sum(sum((I-In).^2));%noise powersnr=10*log10(Ps/Pn);mse=Pn/length(I);QQ截图20130516175535.png(11.18 KB, 下载次数: 0)改进函数表达式本帖最后由罗志雄于 2013-5-16 21:58 编辑function [snr,mse]=snrmse(I,In)% 计算信噪比函数% I :原始信号% In:去噪后信号snr=0;Ps=sum(sum((I-mean(mean(I))).^2));%signal power Pn=sum(sum((I-In).^2));%noise powersnr=10*log10(Ps/Pn);mse=Pn/length(I);修改后程序清单如下：clear all; clc; close all;fs=8000;%语音信号采样频率为8000xx=wavread('lw1.wav');x1=xx(:,1);%取单声道x1=x1-mean(x1);t=(0:length(x1)-1)/8000;y1=fft(x1,2048);%对信号做2048点FFT变换f=fs*(0:1023)/2048;figure(1)plot(t,x1) %做原始语音信号的时域图形y=awgn(x1',10,'measured');%加10db的高斯白噪声[snr,mse]=snrmsel(x1',y)%求得信噪比均方误差snr1=SNR_singlech(x1',y)figure(2)plot(t,y) %做加噪语音信号的时域图形[c,l]=wavedec(y,3,'db1');%多尺度一维分解%用db1小波对信号进行3层分解并提取系数a3=appcoef(c,l,'db1',3);%a2=appcoef(c,l,'db1',2);%a1=appcoef(c,l,'db1',1);d3=detcoef(c,l,3);d2=detcoef(c,l,2);d1=detcoef(c,l,1);thr1=thselect(d1,'rigrsure');%阈值获取，使用Stein的无偏风险估计原理thr2=thselect(d2,'rigrsure');thr3=thselect(d3,'rigrsure');%利用改进阈值函数进行去噪处理gd1=Garrote_gg(d1,thr1);gd2=Garrote_gg(d2,thr2);gd3=Garrote_gg(d3,thr3);c1=[a3 gd3 gd2 gd1];function gd=Garrote_gg(a,b)%a为信号分解后的小波系数，b为获得的阈值m=0.2*((a.*a)-(b*b));if (abs(a)>=b)gd=sign(a)*(abs(a)-b/exp(m));elsegd=zeros(size(a));endy1=waverec(c1,l,'db1');%多尺度重构[snr,mse]=snrmsel(x1',y1) %求得信噪比均方误差figure(3);plot(t,y1);小波去噪软阈值和硬阈值的matlab仿真程序硬阈值、软阈值这里有一段不知道有用没%设置信噪比和随机种子值snr=4;init=2055615866;%产生原始信号sref和高斯白噪声污染的信号s[sref,s]=wnoise(1,11,snr,init);%用db1小波对原始信号进行3层分解并提取系数[c,l]=wavedec(s,3,'db1');a3=appcoef(c,l,'db1',3);d3=detcoef(c,l,3);d2=detcoef(c,l,2);d1=detcoef(c,l,1);thr=1;%进行硬阈值处理ythard1=wthresh(d1,'h',thr);ythard2=wthresh(d2,'h',thr);ythard3=wthresh(d3,'h',thr);c2=[a3 ythard3 ythard2 ythard1];s3=waverec(c2,l,'db1');%进行软阈值处理ytsoftd1=wthresh(d1,'s',thr);ytsoftd2=wthresh(d2,'s',thr);ytsoftd3=wthresh(d3,'s',thr);c3=[a3 ytsoftd3 ytsoftd2 ytsoftd1];s4=waverec(c3,l,'db1');%对上述信号进行图示subplot(5,1,1);plot(sref);title('参考信号');subplot(5,1,2);plot(s);title('染噪信号');subplot(5,1,3);plot(s3);title('硬阈值处理');subplot(5,1,4);plot(s4);title('软阈值处理');matlab小波除噪，为何硬阈值和软阈值除躁信噪比一样了？load leleccum;index=1:1024;f1=leleccum(index); % 产生含噪信号init=2055615866;randn('seed',init);f2=f1+18*randn(size(x));snr=SNR_singlech(f1,f2) %信噪比subplot(2,2,1);plot(f1);title('含噪信号'); %axis([1,1024,-1,1]); subplot(2,2,2);plot(f2);title('含噪信号'); %axis([1,1024,-1,1]); %用db5小波对原始信号进行3层分解并提取系数[c,l]=wavedec(f2,3,'db6');a3=appcoef(c,l,'db6',3);d3=detcoef(c,l,3);d2=detcoef(c,l,2);d1=detcoef(c,l,1);sigma=wnoisest(c,l,1);thr=wbmpen(c,l,sigma,2);%进行硬阈值处理ythard1=wthresh(d1,'h',thr);ythard2=wthresh(d2,'h',thr);ythard3=wthresh(d3,'h',thr);c2=[a3 ythard3 ythard2 ythard1];f3=waverec(c2,l,'db6');%进行软阈值处理ytsoftd1=wthresh(d1,'s',thr);ytsoftd2=wthresh(d2,'s',thr);ytsoftd3=wthresh(d3,'s',thr);c3=[a3 ytsoftd3 ytsoftd2 ytsoftd1];f4=waverec(c3,l,'db6');%对上述信号进行图示subplot(2,2,3);plot(f3);title('硬阈值处理');%axis([1,1024,-1,1]); subplot(2,2,4);plot(f4);title('软阈值处理');%axis([1,1024,-1,1]); snr=SNR_singlech(f1,f3)snr=SNR_singlech(f1,f4)信噪比函数SNR_singlech(I,In)function snr=SNR_singlech(I,In)% 计算信噪比函数% I：riginal signal% In:noisy signal(ie. original signal + noise signal)snr=0;Ps=sum(sum((I-mean(mean(I))).^2));%signal powerPn=sum(sum((I-In).^2));%noise powersnr=10*log10(Ps/Pn);小波去噪程序Matlab小波去噪（默认，强制，给定三种情况）%% 利用小波分析对监测采集的信号进行去噪处理，恢复原始信号%小波分析进行去噪有3中方法：%1、默认阈值去噪处理。
基于正交小波包分解的语音去噪增强
ａ ｃ ｒ ｉｇ ｔ 盯 ｒ ｌ ．Ｆ ｎ ｌ ｃ ｏ ｄｎ ｏ ３ ｕ ｅ ｉ ａｌ ｙ．ｔｅ ｄ — ｏｓ ｎ ｎ ａ ｃ ｄ ｓ ｅ ｃ ｅ ｒ ｂ ａｎ ｄ ｖａ ｔ ｅ ｉｖ ｒｅ ｗ ｖ ｌｔｐ ｃ ｅ ｈ ｅ ｎ ｉ ａ ｄ ｅ ｈ ｎ ｅ ｐ ｅ ｈ ｓ ｗｅｅ ｏ ｔ ｉｅ ｉ ｈ ｎ ｅ ａ ｅｅ ａ ｋ ｔ ｅ ｓ ｔ ｎ ｆｒ ｒ ｓ ｍ．Ｂ ｓ ｄ Ｏｌ ａ ｏ ａ ｅ ｉ ＭＡ ＡＢ，ｆｒ ｔｅ ｓ ｅ ｃ ｉｎ ｔ ｏ ｓ ｓ ｄ ｎ ｉ ｄ ａ ｄ ｅ ａ ｃ ｄ ＴＬ ｏ ｈ ｐ ｅ ｈ ｓ ａ ｗｉ ｎ ｉｅ ｗａ ｅ ｏｓ ｎ ｎ ｎ ｅ ．Ｔ ｅ ｅ ｐ ｒ ｎ ｓ ｓ ｏ ｇｌ ｈ ｅ ｈ ｈ ｘ ｅｍｅ ｔ ｈ ｗ
３ ８ ・— ８ － ・ —
用动态阈值 对小波系数进行噪声抑制 ， 而可 以有效 地去 除 从
噪声 ， 强语音 。 增
系数 主要 由语音信号控制 。因此设置一个 合适 的阈值 ， 仅利 用超过 阈值 的那 些显著的小波系数来重 构语音信号 ， 可较 就
好地 去除噪声。
一
２ 小 波包 阈值 增强 新算 法
ｌ 引言
噪 声 不 仅 影 响语 音 可懂 度 和清 晰度 ， 且 造 成 人 耳 听 觉 而
取 阈 值 是小 波包 增 强 算 法 的 关 键 。早 期 的 文 献 通 常 局 限 于
不 变 阈 值 ， Ｄ ｎ ｂ 和 Ｊｈｓ ｎ 如 ｏｏｏ ｏｎｔ ｅ提 出 的非 线 性 小 波 变 换 阈 ｏ
疲劳。语音增强 的 目的就是为 了抑制背 景噪声 ， 改善语音质 量， 同时提高语音 的可懂度 和清 晰度 … 。一般来说 ， 语音 增
强 方法 分 为 ２大 类 ： 时域 方 法 （ 子 空 间 法 ） 频 域 方 法 （ 如 和 如
用小波包改进子空间的语音增强方法
行分解 ， 而且 对 高频部 分也 做 了二次 分解 ， 对信 号 的
图 ｌ 子 空Ｉ 司语 晋 增 强 方 法 原 理 图
分 析 能力更 强 ， 别适 于处 理非 平稳信 号 ｌ ］ 特 ＿ 。该 算 ３
法 采 用 小 波 包 变 换 的 方 法 对 子 空 间 域 中 带 噪 语 音 特 征值 进行 处理 ， 即采 用 改 进 的 小 波 软 判 决 阈 值 函 数 ， 得 到 更 新 的 带 噪 语 音 的 特 征 值 ， 计 出 纯 净 语 音 特 估
法 ， 觉感受上 增 强语音 也具 有更好 的清晰度 和 可懂度 。 听
关 键 词 ： 音 增 强 ； 空 间 ； 渡 包 ；阈 值 函 数 语 子 小
中 图分 类 号 ： ＴＮ９ ２ 音增 强是 解决 噪声 污染 的一 种有效 的 预处理
技术 ， 随着数 字通 信 系统 的快速 发展 和广 泛使 用 ， 人 们越来 越重 视语 音增 强在 语音处 理 方 面的作用 。近 年来 ， 子空 间方 法在 语 音增 强研 究 中 已有 了较 大发
假设 带噪语 音信 号 可 以表示 为 ：
Ｓ — Ｘ＋ Ｎ． （） １
式 中， ｓ是 带噪语 音 ； 是 纯 净语 音 ； 是 方 差 为 Ｘ Ｎ 的高斯 白噪声 ， ｘ， 为 Ｋ 维 矢量 。 ｓ， Ｎ
征值 ， 并采 用基 于统计 信 息算 法更 新噪 声特 征值 ， 从
而实 现 了对噪 声特征 值 更加准 确 的估计 ｒ 。 ８ ］
用 小 波包 改 进 子 空 间 的语 音 增 强 方 法
贾海蓉 ， 雪英 ， 晓薇 张 牛
（ 原 理工 大学 信 息 工 程 学 院 ， 原 ０ ０ ２ ） 太 太 ３ ０ ４
基于小波分析的语音信号增强的研究
ＷＴ（，） ａ６ ＝
…
＜ （） Ｑ，
，
（） ｆ Ｑ ａ）ｎｒ（ Ｑ＞ （） ｆｅ ２２ ＝ （２， ｄ ）
…
号 ； （） 哚 声序 列 。 Ｘ 是 对 小 波 系数 施 加 阈值 后 重 建 是 记
ｉ
一
、
小波 阈值 处 理
的 信 号 ． 中残 留 的 噪 声，那 么 ， Ｕ是 Ｕ 生 的 风 险 （ｉｋ 函 数 ”定 义 为 ｒｓ ）
部 分 信 号 的 分 量 从 而 使 由 小 波 系 数 重 建 后 的 信 号 产 生
过 大 的 失 真 。因此 ， 实 际 工 作 中 ， 先 要估 计 阈值 的大 小 。 在 首 我 们 令 信 号 模 型 为 ） （） （） 其 中 是 有 用 的信 ＋“ ． （
大 但 方 差 将 会 减 小 。 令
（）软 阈值 方法 ａ
（）硬 阈 值 １
（）硬 阈值 方 法 ｂ 图 Ｉ软 、硬 阂值
ｂｓ（ ｉ ａ
：
ｅｘ ｝ ｓ ｛ － ｌ ｌ
ｖ ＝ １ 一 ｛ ａ Ｅ ＥＸ 一 ｛ ＥＸ （） ７
当 小 波 系 数 的 绝 对 值 小 于 给 定 的 阈 值 时 ， 其 为 零 ：而 令
其 中ｂ 时 移 ． 是 尺 度 因 子。 是 ａ
称 为 基 本 小 波 ， 母 小 或
数 小 于 阈 值 时 ， 是 简 单 地 置 零 ， 是 平 滑 地 减 小 为 零 ，当 不 而 大 于 阈值 时 小 波 系 数 幅 度 都 减 去 阈 值 。这 样 ， 保 证 了大 既 的 小 波 系 数 ， 保 证 了加 阈 值 后 系 数 的 平 滑 过 度 。 又 小 波 阈 值 在 去 噪 的 过 程 中起 到 了决 定 性 的 作 用 。如 果 太 小 ．那 么 ． 加 阈值 以 后 的 小 波 系数 中 将 包 含 过 多的 噪 施
基于小波变换语音增强算法的Matlab仿真
基于小波变换语音增强算法的Matlab仿真摘要：对语音信号的时域和频域进行分析，对小波分析的特点进行多分辨率分析，发现其具有分析时频和频域局部特征的能力，即在高频部分具有较高的时间分辨率和较低的频率分辨率，在低频部分具有较高的频率分辨率和较低的时间分辨率，可用于测量语音信号中夹带瞬态反常现象并展示其成分的情况。
用小波变换的方法实现语音信号去噪增强，并在Matlab中进行了实验效果仿真，结果表明，该方法对语音信号的增强效果很好。
关键词：小波变换；语音增强；重构语音信号0引言对语音信号进行分析，语音信号变现形式往往采用时域和频域两种基本形式。
傅里叶变换能够较好地描述语音信号的频率特性，但在时域上无法获得信号的精确信息。
在信号分析过程中存在一个问题，即若要在时域上获得足够精确的信息就得在频域上损失部分信息，也即在时域与频域上存在局部化的矛盾。
语音信号中，经常会有许多非平稳信号需要处理，但在对这些非平稳信号进行处理时往往只关心语音信号在局部范围内的特性。
语音信号的非平稳信号非傅里叶分析所能及，这需要用时频分析的方法来进行分析。
本文所分析的语音信号就是一典型的应用，不只用单一的时域或频域来分析，而是使用时域和频域分析相结合的方法。
小波运算的基本步骤如下：（1）首先选择一小波函数，然后将分析信号的起点与小波波形的起点对齐。
（2）对小波变换系数c进行计算，c的大小表示分析信号与小波函数的相似程度，c值越大，表示待分析信号波形与小波函数波形越相似。
如图1所示。
（3）将小波函数沿着时间轴向右移动一个单位直到覆盖完整的分析信号波形，其中每移动一个单位都要重复（1）、（2）步骤，计算出小波变换系数c。
（4）对小波函数的伸缩因子进行伸缩，大小为1个时间单位，重复（1）、（2）、（3）步骤。
其中，尺度a与频率的关系为：小尺度a对应压缩的小波，处理快速变换的细节，即高频部分；大尺度a拉伸的小波，处理缓慢变换的粗部低频部分。
基于小波变换在语音信号处理中的研究
科技资讯科技资讯S I N &T NOLOGY I NFORM TI ON 2008NO .27SC I ENCE &TECH NO LOG Y I NFOR M A TI O N 学术论坛在过去,我们曾用短时傅立叶变换(SFFT )在频域内对语音信号进行分析去噪,但它有一定的局限性。
小波变换是传统傅立叶变换的继承和发展。
由于小波的多分辨率分析具有良好的空间域和频率域局部化特性,对高频采用逐渐精细的时域或空域步长,可以聚焦分析对象的任意细节,因此特别适合于非平稳信源的处理,已经成为应用于语音信号处理的一种新手段。
1语音信号去噪问题描述由于语音信号可以被分为浊音段和清音段两部分,而这两部分又有很大区别;浊音呈现出准周期性,其周期为该段的基因周期,且含有较多的低频成分。
清音的信号波形类似于白噪声,与浊音相比,频率较高且无周期性。
若语音中参入了含高频成分的噪声,对浊音和清音段应采用不同的阈值方案,才能获得最佳的去噪效果。
因此,在阈值处理之前,必须把清音段识别分割处理,然后对浊音和清音段应采用不同的阈值处理方法。
阈值去噪的原理就是将小波变换后的小波系数低于阈值的部分置零,从而去除噪声,从原则上讲,阈值去噪时希望尽可能地将噪声对应的小波系数都置零,同时尽量保留信号对应的小波系数,其中最关键的问题就是如何有效的选定合适的阈值。
下来我们就来研究一下几种阈值选取规则。
2阈值的选取规则①通用阈值(s qt w ol og 规则)设含噪信号f (t )在尺度1—j (1<j <J )上通过小波分解的到的小波系数的个数综合为n,J 为二进尺度参数,噪声的标准偏差为s ,则通用阈值为:(1)该方法的原理依据是N 个具有独立分布的标准高斯变量中的最大值小于t 1的概率随着N 的增大而趋于1。
若被测信号含有独立同分布的噪声,经小波变换后,其噪声的小波变换系数也是独立同分布的。
如果具有独立同分布的噪声经小波分解后,它的系数序列长度很大,则根据上述理论可知:该小波系数中小于最大值t 1的概率接近1,即存在一个阈值使得该序列的所有小波系数都小于它。
基于最大信息熵的小波包阈值去噪语音增强算法
文 献标 识码 ： Ａ
文章编 号 ：０ ０—８ ２ （ ０ １ １ ０ １ ０ １０ ８ ９ ２ １ ） ０— ０ ２— ３
Ａ ａ ｅｅ ｃ ｔＴｈｒ ｓ ｌ － ｉｉ ｇ Ａｌｏ ｉｈ ｏ ｐ ｅ ｈ Ｅｎ ａ ｅ ｅ ｔ Ｗ ｖ ｌｔＰａ ｋｅ ｅ ｈｏｄ Ｄｅ Ｎｏｓｎ ｇ ｒｔ ｍ ｆ ｒ Ｓ ｅ ｃ ｈ ｎｃ ｍ ｎ
Ａｂ ｔ ａｃ ： ｓ ｒ ｔ Ｄｅ— ｏ ｓｎｇ ａｇ ｒｔ ｍ ｌｙ ｅ ｙ ｉ ｏ ｔ ｎ ｏ ｉｉｎ ｉ ｈｅｓ ｅ ｃ ｎ ｎ ｅ ｎ ， ｉｅ ｔ ｅ ｔａ ｔｏ ａ ｎ ｉｉ ｌ ｏ ｉｈ ｐａ ｓａｖ ｒ ｍｐ ｒａ ｔｐ ｓｔ ｎ ｔ ｐ ｅ ｈ ｅ ｈａ ｃ ｍｅ ｔ ｗｈ ｌ ｈ ｒ ｄｉ ｎ ｌ ｏ ｉ ｗａ ｅｅ ｈ ｅ ｈ ｌ ｅ ｎｏｓｎ ｌ ｏ ｉｈ ｗｉｌｃ ｕ ｅ ｌｓ ｆｐ ｒ ｆｕ ｅ ｕ ｐ ｅ ｈ ｓｇ ａｓ ｉ ｖｔ ｂ ｙ Ｉ ｒ ｅ ｏ ｄ — ｖ ｌｔｔ ｒ ｓ ｏ ｄ ｄ — ｉｉ ｇ ａｇ ｒｔ ｍ ｌ ａ ｓ ｏ ｓｏ ａ ｔｏ ｓ ｆ ｌｓ ｅ ｃ ｉ ｎ ｌ ｎｅ ｉ ｌ ． ｎ ｏ ｄ ｒｔ ｅ ａ
Ｂａ ｅ ｎ ａ ｉ ｕ ｎ ｏ ｍ ａ ｉ ｎ Ｅｎｔ ｏ ｓ ｄ ｏ Ｍ ｘ ｍ ｍ Ｉ ｆ ｒ ｔｏ ｒ ｐｙ
ＹＡＮＧ ｉｑ ｎ ＸＵ ｎ —ｉ Ｇｕ － ｉ ， Ｈｏ ｇ ｌ
（ ｃｏｌ ｆ ｌ ｔ ｎ ｓ＆ Ｉｆ ｍ ｔ ｎＥ ｇｎｅｉｇ ＬｎｈｕＪ ｏ ｎ ｎｖｒ ｔ Ｌ ｎｈ ｕ７０ ７ ， ｈｎ ） Ｓｈｏ ｏ ｅ ｒ ｉ Ｅ ｃｏ ｃ ｎ ｒ ａｉ ｎ ｉ ｒ ， ａ ｚｏ ｉ ｔ ｇＵ ｉ ｓｙ ａ ｚｏ ３ ０ ０ Ｃ ｉ ｏ ｏ ｅ ｎ ａｏ ｅ ｉ， ａ
为了更好地对含噪语音信号进行去噪选用小波包分析法进行语音分解采用一种新的阈值函数同时基于最大信息熵的原理确定了阈值和加权阈值函数中的权因子
- 1、下载文档前请自行甄别文档内容的完整性，平台不提供额外的编辑、内容补充、找答案等附加服务。
- 2、"仅部分预览"的文档,不可在线预览部分如存在完整性等问题,可反馈申请退款(可完整预览的文档不适用该条件!)。
- 3、如文档侵犯您的权益，请联系客服反馈,我们会尽快为您处理(人工客服工作时间：9:00-18:30)。
出的语音 增 强方 法 采用 分 层 阈值 以及 在 阈值 函数算 法 上作 了
改进 ， 对含 噪语 音 中的噪声 、 清音 和浊 音进行 区分 ， 采取 不 同 的
（＝ １ ．， ＿ ） ｎ ０， ．．Ⅳ １ 其波 变换 为 ： ．
＾Ｌ ｌ
，
领域中， 由于语 音信 号 不 可避 免会 受 到各 种 噪声 的影 响 ， 声 噪 污染使语 音信 号处 理 系统 的性能 急剧 恶化 ， 语音 识别 系统 在 如 背 景噪声 很强 时 的识 别 率会 大大 下降 。 因此语 音信 号 的增强 是 语 音信号 处理 系统 的主 要组 成部 分 ，它 能够 改善 语音 质量 ， 提 高语 音 可懂 度 ， 语 音通 信 、 音 识 别及 语 音 编码 等语 音 处理 在 语
ｆ ，）Ｓ（，）ｈ ） ｋ＝ｆｊｋ ・ｑ， ｌ ｆｊ ｉｋ ＝ ｆ ｋ ・ ｑ， ） Ｗ （ ， ） ｗ Ｏ，）ｇ ｋ ＋
… 一
出许 多 方法 ， 用 在此 领 域 。 中较 早 的一 种 方 法 为 Ｂ ｌ提 出 应 其 ｏ ｌ
的谱 减法 ， 这种方 法仍 然是 许 多研究 者 的研究 方 向。小 波分析 是一 种有 效 的信号分 析处 理技 术 。 它在 时域 和频 域都 具有 良好
线性 性 质可 得 ￡＝ （） （） 离散 采 样信 号 Ｊ （ ） （ ） ）ｓ ｔ ￡的 ｉ ｝ ） ｋ Ｊ ｝
经小 波变 换后 其小 波 系数 仍 由两 部 分组 成 。其 中一部 分是
信 号 ｓ ｋ 对应 的 小波 系 数 ｗ （，） （） ｓｊｋ 记为 “－ 另一 部 分 是 噪声 ｚ Ｉ， ｋ （） ｋ 对应 的小 波系 数 ｗ （， ） 记为 Ｖ ｌ ｎ ｊｋ ， ｊ。 ｋ
法具 有较好 的增 强 效果 。
关键 词 ： 波阈值 ： 进 的 Ｇ ｒ ｔ 小 改 ａｒ ｅ阈值 函数 ； 音 增 强 ｏ 语
中 图 分 类 号 ：Ｐ ９ ．１ Ｔ ３１ ４
文献 标识 码 ： Ａ
文 章 编 号 ：６ ２ ７ ０ （０ ０ ０ － ０ ３ ０ １７ — ８ ０ ２ １ ）２ ０ ４ － ３
进 行检 测 区分 ． 然后 采 用改进 的 Ｇ ｒ ｔ ａｒ ｅ阈值 函数 分别 对噪 声 、 ｏ 清音 和 浊音运 用不 同的阈值 方案 进行 处理 。该 方法在
很 大程度 上 抑制 了噪 声 ， 叉减 少 了语 音 段 清音 的 损 失 ， 高 了信 噪 比 ， ＭＡ Ｌ Ｂ ． 提 在 Ｔ Ａ ７１中的仿 真 实验 结 果表 明 ， 方 该
Ｄ ｎｈ ｏ ｏ ｏ提 出 的 小 波 阈 值 去 噪 法 的 基 本 思 想 ：
当ｗ 小 于 某个 临界 阈值 时 ， 时的 小波 系 数 主要 是 由噪 这 声 引起 的 ， 其舍 弃 。 将 当 ｗ． 于这 个 临界 阈值 时 ， ＿大 ｋ 这时 的 小波 系数 主 要是 由信 号 引 起 ， 将这 一 部 分 的 ｗ 则 按 不 同 的 阈值 方法 处理 ， 后 用 然
的局部 化性 质 。 即能 够在 整 体 上提 供信 号 的 主要 特 征 ， 同时 又
能够 提取 任一局 部 时间或 频域 内信 号变 化剧 烈程 度 的信 息 ， 因 而成 为分 析非平 稳信 号 （ 音信号 ） 语 的锐利 工 具 。现 今 ， 于小 基 波分 析 的方 法 成为该 领域 的研 究热 点 。 Ｄ ｎｈ ｏｏ ｏ等 已经 提 出了一 种 典型 的 阈值 选 取方 法 ，即全局 阈值 。 由于 语音 信号 包含 清音 和浊音 两部 分 ， 清音 部分 包 含较 多类 似 于噪 声 的高 频成 分 ． 不 区分 ， 进 行 阈值 处理 时 会被 若 在
系统 的 性 能 提 高 方 面 起 着 非 常 重 要 的作 用 。 此 该 领 域 相 继 提 为
ｋ＝ ）
＝ ０
ｎ Ｏ（ － ） ） ２ｎ ｋ
（） ２
式 中 ｗ （， ） 小波 系 数 ， 实 际应用 中 ， Ｍａｌｔ 法来 ｆｊｋ 为 在 用 ｌ 算 ａ
实 现小 波变换 ：
第９ 第 １ 卷 期
２ ０ １ ０１ 年 月
软 件 导 刊
Ｓｏ ｔ ｒ ｉ ｆｗａ ｅ Ｇｕ ｄｅ
Ｖｏ ． ． １ Ｎｏ １ ９
Ｊ ｎ． ０ ０ ａ ２１
基于改进 阈值 函数小波语音增 强方法的研 究
刘佳 林 ． 孙 旋
（ 桂林 理 工 大学 机械 与控 制 工程 学 院， 西 桂 林 ５ １０ ） 广 ４ ０ ４ 摘 要 ： 出 了一种 基 于小 波阈值 去噪 的语 音增 强算 法 。 据含 噪语 音 中噪 声 、 提 根 清音 和 浊音 的不 同特 点 ， 首先 对它们
ｆｔ＝ （） （） （）ｓｆ ｔ
（） １
０ 引言
基 于 小 波 阈 值 的 语 音 增 强 有 较 强 的 应 用 范 围 ， 其 在 通 信 尤
式 中 ｓｔ为原 始信 号 ，（） （） ｚｔ为噪 声 。
对 一 维 连 续 信 号 进 行 离 散 采 样 ，得 到 Ⅳ 点 离 散 信 号 ｆ ｎ （）
当成 噪 声 除 掉 ， 此 直 接 进 行 阈 值 处 理 效 果 并 不 理 想 。 本 文 提 因
Ｓ（ １ｋ ＝ （，）ｈ ，）Ｗ Ｑ，）ｇ，ｋ ｆ － ，）Ｓ ｊｋ ・（ ｋ ＋ ｆ ｋ 。（，） ｊ ｆ ｊ （） ４ 为方便 分 析 ， 简记 小波 系数 Ｗ （ ｋ 为 ｆ ，） ｊ 由小 波变 换 的
式 中 ｈ和 ｇ 别 是 尺 度 函 数 （ ） 小 波 函 数 （ ） 应 的 分 ｘ和 ｘ对
低 通和 高通 滤波 器 ， （ ， ） ｓ ０ ｋ 为原 始 信号 ，ｆ ， ） 尺度 系数 ，ｆ ｆ ｓ（ ｋ 为 ｊ Ｗ （， ） ｊｋ 为小 波 系数 。相应 的重 构公 式 为 ：