_语音去噪算法的研究.
通信工程专业本科毕业论文语音信号去噪——数字滤波器的设计
语音信号去噪 ——数字滤波器的设计摘要：在现代各种通信系统中，由于自然界中的各种各样的复杂噪声不免会掺杂在其中，数字信号处理这门经典学科恰好能够解决这个问题，其中最通用的方法就是利用滤波器来滤除这些杂波噪声，FIR 数字滤波器就是滤波器设计的基本部分。
本论文研究的主要内容就是基于Matlab 软件仿真设计一个数字滤波器，将掺杂在语音信号中的高频噪音消除，在此将分析消除高频噪音前后语音信号的时域及频域特性，对比分析即可验证滤波前后特性差别。
在本课题中，将利用简单的窗函数法来设计FIR 数字滤波器，通过Matlab 仿真说明所设计滤波器的正确性。
仿真说明所设计滤波器的正确性。
通过这次毕业设计，通过这次毕业设计，将会进一步理解语音信号原理分析及滤波处理，为更好的设计滤波器打好基础。
波处理，为更好的设计滤波器打好基础。
关键词：Matlab ；窗函数法；FIR 数字滤波器数字滤波器 Remove noise in the speech signal ————the design of digital filter the design of digital filter Abstract ：In modern communication systems, a variety of complex noise may mix in the nature of sounds. The classic disciplines of the digital signal processing can solve this problem, one of the most common method is to use a filter to filter those clutter noise. FIR digital filter is the basic part part of of of filter filter filter design. design. The The main main main research research research content content content of of of this this this paper paper paper is is is based based based on on on Matlab Matlab Matlab software software software simulation simulation simulation to to design a digital filter, in which to cancel the high frequency noise of the speech signal, then it will eliminate the high high frequency frequency frequency noise noise noise and and and the the the speech speech speech signals signals signals from from from time time time domain domain domain and and and frequency frequency frequency domain domain domain characteristics characteristics characteristics in in in this this analysis analysis before before before and and and after, after, after, and and and analysis analysis analysis the the the differences differences differences test test test the the the filtering filtering filtering characteristics. characteristics. characteristics. In In In this this this issue, issue, issue, using using using a a simple simple window window window function function function method method method to to to design design design a a a FIR FIR FIR digital digital digital filter, filter, filter, Matlab Matlab Matlab simulation simulation simulation shows shows shows the the the correct correct correct of of of the the designed filter. Through the design of this graduation design, we will understand the principle of speech signal analysis and filtering, and lay the foundation for the filter design.Key words: Matlab; window function method; FIR digital filter 作 者指导教师目录1 引言................................................................................................................................................ 31.1 课题研究现状课题研究现状 ....................................................................................................................... 31.2 课题研究目的课题研究目的 ....................................................................................................................... 31.3 课题研究内容课题研究内容 ....................................................................................................................... 31.4 MA TLAB软件设计平台简介 .............................................................................................. 4 2 原始语音信号采集与处理原始语音信号采集与处理 .............................................................................................................. 52.1 课题设计步骤及流程图课题设计步骤及流程图 ...................................................................................................... 52.2 语音信号处理语音信号处理 ....................................................................................................................... 52.2.1 语音信号的采集语音信号的采集 .......................................................................................................... 52.2.2 语音信号的时域频谱分析语音信号的时域频谱分析 .......................................................................................... 62.2.3 语音信号加噪与频谱分析语音信号加噪与频谱分析 .......................................................................................... 8 3 FIR数字滤波器的设计数字滤波器的设计 (10)3.1 数字滤波器基本概念数字滤波器基本概念 (10)3.2 常用窗函数介绍常用窗函数介绍 (10)3.3 FIR数字滤波器概述数字滤波器概述 (10)3.4 FIR滤波器的窗函数设计滤波器的窗函数设计 (11)3.5 滤波器的编程实现滤波器的编程实现 (13)3.6 用滤波器对加噪语音信号进行滤波用滤波器对加噪语音信号进行滤波 (14)3.7 回放语音信号回放语音信号 (16)4 结论 (17)致谢 (18)参考文献 (19)参考文献20世纪60年代中期数字信号处理领域形成的诸多富有实践性的的理论和算法，如快速傅立叶变换（FFT ）以及各种数字滤波器等是语音信号数字处理的各项理论和技术基础。
基于奇异谱分析和维纳滤波的语音去噪算法
基于奇异谱分析和维纳滤波的语音去噪算法靳立燕;陈莉;樊泰亭;高晶【摘要】针对维纳滤波算法对非平稳语音信号去噪存在的信号失真、信噪比(SNR)不高的问题,提出了一种奇异谱分析(SSA)和维纳滤波(WF)相结合的语音去噪算法SSA-WF.通过奇异谱分析将非线性、非平稳的语音信号初步去噪,提高含噪语音的信噪比以获取尽可能平稳的语音,并将其作为维纳滤波的输入,以剔除其中仍存在的高频噪声,最终获取纯净的去噪语音.在不同强度的背景噪声下进行仿真实验,结果表明SSA-WF算法在SNR和均方根误差(RMSE)等方面都要优于传统的语音去噪算法,能够有效去除背景噪声,降低有用信号的失真,适用于非线性、非平稳语音信号的去噪.【期刊名称】《计算机应用》【年(卷),期】2015(035)008【总页数】5页(P2336-2340)【关键词】奇异谱分析;维纳滤波;语音信号;去噪;强噪声【作者】靳立燕;陈莉;樊泰亭;高晶【作者单位】西北大学信息科学与技术学院,西安710127;西北大学信息科学与技术学院,西安710127;西安生产力促进中心,西安710048;西北大学信息科学与技术学院,西安710127【正文语种】中文【中图分类】TN912.30 引言在实际的信号采集和处理过程中，语音信号不可避免地被噪声所污染，获得比较纯净的有用信号是进行信号后续处理的基础和关键［1］。
语音去噪技术是信号处理领域的一个重要研究分支，该技术在提高语音质量和可懂度等方面发挥着重要的作用。
同时，去噪效果的优劣还会影响到语音识别系统的识别率。
由于语音信号的非线性和非平稳性，一些传统的语音去噪算法需要知道噪声的一些统计特征，以致单一的时域或频域处理无法获得很好的去噪效果。
小波阈值［2-3］作为近年来的主流去噪算法被广泛应用，但是阈值去噪需要综合考虑阈值和阈值函数等因素才能达到令人满意的去噪效果，同时还存在着选取最优小波基的困难［4］。
随着噪声强度的增加，小波阈值的去噪能力也会逐渐变差。
去噪技术在语音信号处理中的应用研究
去噪技术在语音信号处理中的应用研究第一章绪论1.1 研究背景语音信号处理是语音识别、语音合成、语音信号压缩等语音处理领域中的重要组成部分，它将语音信号进行数字编码或处理，提取出有意义的语音信息以供后续处理。
而语音信号中常伴随着噪声的存在，这些噪声会严重影响语音信号的质量，甚至会导致语音识别率的降低。
为了确保语音信号的高质量，需要进行去噪处理，去除语音信号中的噪声。
1.2 研究目的本文旨在系统地介绍去噪技术在语音信号处理中的应用研究，探究不同的去噪方法及其适用范围，进而提供对语音信号去噪的一些参考和借鉴。
第二章语音信号去噪技术研究2.1 常见的语音信号噪声类型在语音信号处理中，主要包括以下几种噪声类型：白噪声、色噪声、噪声爆破、共振、失真及延迟噪声等。
这些噪声类型对语音信号的影响各不相同。
了解这些噪声类型的特征有助于为去噪技术的选择和应用提供参考。
2.2 常用的语音信号去噪技术当前被广泛应用的语音信号去噪技术主要包括以下几种：时域平均法、频域滤波法、小波变换法、仿射小波变换法、主成分分析法及基于深度学习的去噪方法等。
针对不同类型的噪声，选择不同的去噪技术，可以达到更好的去噪效果。
第三章语音信号去噪技术实现3.1 主流语音信号去噪软件介绍主流的语音信号去噪软件主要包括：Audacity、Adobe Audition、音频大师等。
这些软件通过简单的操作，就可以实现基本的语音信号去噪，从而提高语音信号的质量。
3.2 基于Matlab的语音信号去噪算法实现Matlab是当前应用最广泛的科学计算软件，也是语音信号去噪算法实现的重要平台。
在使用Matlab实现语音信号去噪算法时，可以根据实际需求调用不同的Matlab工具箱，如Signal Processing Toolbox、Wavelet Toolbox等，以实现不同的去噪过程。
第四章基于深度学习的语音信号去噪技术研究4.1 深度学习在语音信号去噪中的应用近年来，深度学习技术已经在许多领域得到了广泛的应用，特别是在语音信号处理领域。
语音信号去噪方法及其在语音识别中的应用
语音信号去噪方法及其在语音识别中的应用语音信号在现实应用中经常遭受各种干扰与噪声，这些噪声会影响语音信号的品质，进而引起语音识别失效。
因此，语音信号去噪就成为了语音领域研究的一个重要方向。
本文将介绍几种比较常见的语音信号去噪方法及其在语音识别中的应用。
一、基于频域的去噪方法基于频域的去噪方法是将语音信号从时域转换为频域，利用频域特征对语音信号进行分析和处理。
这种方法常见的去噪算法有傅里叶变换（FFT）、短时傅里叶变换（STFT）等。
在去噪过程中，可以将频率范围内的干扰信号过滤掉，提高语音信号的信噪比。
还可以通过时域窗函数和滤波技术来实现。
基于频域的去噪方法在语音信号的短时处理和实时处理方面有着广泛的应用。
例如，在电话通信领域中，许多手机厂商都采用了该方法来实现语音通话的降噪功能。
此外，基于频域的去噪方法还可以应用在语音识别、音频编码解码等方面。
二、基于时域的去噪方法基于时域的去噪方法通常是在时域上对语音信号进行操作，在信号的各个时间点进行处理。
最常见的方法是利用数字滤波器滤除干扰信号。
而且，这种方法对于较复杂的噪声类型如白噪声来说效果较好。
基于时域去噪方法在语音识别领域中也有着广泛的应用。
例如，在话者识别中，对于前景音（说话之声）和背景音（其他噪声）的分离，就可以使用基于时域的方法。
而且，与基于频域的方法相比，基于时域的方法具有更高的计算效率。
三、基于统计学的去噪方法基于统计学的去噪方法主要是利用概率统计模型来对语音信号进行建模，从而减去噪声所带来的影响。
例如，高斯混合模型（GMM）和鲍姆-韦尔奇滤波（BWF）算法就是基于此理论出现的去噪方法。
基于统计学的去噪方法在语音识别的前期处理中也有着广泛的应用。
其中，利用GMM对语音信号模拟，在语音信号的特征提取中占据着重要的地位。
而且，鲍姆-韦尔奇滤波器算法可以将语音信号的噪声部分去除，提高识别率。
综合而言，语音信号去噪是一个非常重要的研究领域，已经在很多应用场景中得到了广泛的应用。
语音识别中的语音增强与去噪技术
语音识别是人工智能领域中的一项重要技术，它能够将人类语音转化为文本，从而方便人机交互。
然而，在实际应用中，语音信号常常会受到各种噪声的干扰，导致语音识别准确率下降。
为了解决这个问题，语音增强与去噪技术应运而生。
语音增强技术旨在在噪声环境下增强语音信号，提高语音识别的准确性。
该技术通常采用空间信号处理的方法，将输入的噪声环境下的语音信号进行分解，将有用信号与噪声信号分离，并增强有用信号，从而减少噪声对语音识别的影响。
常见的语音增强算法包括MFCC算法、短时傅里叶变换(STFT)和倒谱编码(cepstral filtering)等。
然而，当噪声干扰特别严重时，单纯的语音增强技术可能无法完全消除噪声，此时就需要使用去噪技术。
去噪技术通过学习噪声统计特性并建立相应的模型，对输入的语音信号进行滤波处理，以消除噪声的影响。
常见的去噪算法包括Wiener滤波、盲源分离算法(BSS)、自适应滤波算法等。
其中，盲源分离算法不需要知道噪声的统计特性，具有更强的适应性和更高的去噪效果。
在实际应用中，语音增强与去噪技术通常会结合使用。
例如，在嘈杂环境中进行语音识别时，可以先使用语音增强技术增强语音信号，然后再使用去噪技术进一步消除噪声。
另外，一些新兴的技术如深度学习算法也被应用于语音增强和去噪领域，通过训练大规模的语音数据集，学习语音信号的特征和噪声的统计特性，从而实现对语音信号的高效去噪和增强。
总之，语音增强与去噪技术是提高语音识别准确率的关键技术之一。
通过采用不同的算法和方法，结合实际应用场景，可以有效地提高语音识别的性能和准确性。
随着人工智能技术的不断发展，相信未来语音增强与去噪技术将会得到更加广泛的应用和改进，为人工智能领域的发展提供更加有力的支持。
基于机器学习的音频噪音去除
基于机器学习的音频噪音去除一、引言音频噪音是指在录制和播放音频时，由于各种原因所产生的干扰声，这种声音会降低音频的质量，影响人们的聆听体验，甚至会让人无法听清重要的信息。
因此，在很多领域，如语音识别、语音合成、音乐制作等，音频噪音的去除是一个非常重要的问题。
传统的去噪技术主要是基于模板匹配和滤波器，但这些方法往往只能处理简单的噪音类型，且需要手动设置参数，不适用于复杂的背景噪音去除。
因此，基于机器学习的音频噪音去除逐渐成为了研究热点。
二、机器学习在音频噪音去除中的应用1. 基于深度学习的音频噪音去除深度学习是当前最热门的机器学习方法之一。
使用深度学习方法可以训练出一个深度神经网络，该网络可以对不同类型的噪音进行识别，并清除掉这些噪音。
在音频去噪中，深度学习方法主要有两类：基于降噪自编码器和基于卷积神经网络。
降噪自编码器是一种很常见的深度学习方法，该方法利用自编码器对原始音频进行编码和解码，在解码的过程中去除噪音。
卷积神经网络则主要通过构建卷积层来抽取音频特征，并在此基础上进行噪音去除。
2. 基于支持向量机的音频噪音去除支持向量机是一种非常经典的机器学习方法，该方法主要基于样本特征的线性或非线性分类。
在音频噪音去除中，支持向量机主要通过构建各种核函数，对不同类型的噪音进行分类，并去除这些噪音。
相比于深度学习方法，支持向量机的计算速度更快，而且不需要大量的数据集作为支持，对少量的数据也能进行有效的分类。
三、机器学习在音频噪音去除中的实践应用1. 语音信号去噪语音信号去噪是音频噪音去除的一个应用场景。
目前，很多语音识别系统已经能够实现对纯净语音的高精度识别，但是在稀缺、低质量的语音识别中，噪音会极大地影响语音信号的识别精度。
因此，采用机器学习方法进行语音信号去噪可以帮助提高语音识别的精度。
2. 音乐信号去噪音乐制作中，通常会同时录制多个乐器的声音，这些声音可能会相互干扰，在混音的过程中会产生噪音。
音乐信号去噪主要是指利用机器学习方法，将混合后的音频信号分离出不同乐器的声音，然后对每个声音进行去噪处理。
基于MATLAB语音信号处理去噪毕业设计论文
基于MATLAB语音信号处理去噪毕业设计论文语音信号在实际应用中通常不可避免地受到噪音的干扰，这使得语音信号的处理变得困难。
因此，在语音信号处理领域，去噪技术一直是一个热门的研究方向。
本文将介绍一种基于MATLAB的语音信号处理去噪方法的毕业设计论文。
本文的主要内容分为以下几个部分。
首先，介绍语音信号处理的背景和意义。
在现实生活中，由于外界环境和设备的限制，语音信号往往会受到各种噪音的污染，如背景噪音、电磁干扰等。
因此，开发一种有效的语音信号处理去噪方法具有重要的实际意义。
其次，介绍基于MATLAB的语音信号处理去噪方法。
本文将采用小波降噪方法对语音信号进行去噪处理。
首先，对输入的语音信号进行小波变换，将信号转换到小波域。
然后，通过对小波系数进行阈值处理，将噪声系数置零，从而实现去噪效果。
最后，通过逆小波变换将信号转换回时域，并输出去噪后的语音信号。
接下来，介绍实验设计和结果分析。
本文将使用MATLAB软件进行实验设计，并选取一组含有不同噪声干扰的语音信号进行测试。
通过对不同噪声信号进行处理，比较不同参数设置下的去噪效果，评估提出方法的性能。
最后，总结全文并展望未来的研究方向。
通过本次研究，我们可以看到基于MATLAB的语音信号处理去噪方法在去除噪音方面具有较好的效果，并具有很大的应用潜力。
然而，该方法仍然有改进的空间。
未来的研究可以在算法优化、参数选择和应用场景等方面进行深入研究，进一步提高语音信号处理去噪的效果和性能。
总的来说，本文介绍了一种基于MATLAB的语音信号处理去噪方法的毕业设计论文。
通过对实验结果的分析和对未来研究方向的展望，本文为从事语音信号处理领域的研究人员提供了一定的参考和启示。
一种基于RBF神经网络的语音去噪方法
人们在语音通信过程 中不可避免地会受 到来 自 周 围环境 和 传 输 媒 介 引入 的 噪 声 、 通 信 设 备 内部 噪 声 以及其 他 讲 话 者 声 音 的 干 扰 ， 最 终 将 使 接 收 者 接 收 到 的语 音 不 再 是 纯 净 的 原 始 语 音 ， 而 是 被 噪 声 污 染过 的带 噪语 音 。由噪 声 导致 的语 音 质量 的下 降 会 使许 多语 音 处 理 系 统 的性 能 急剧 恶 化 ， 采 用 语 音 去 噪技 术进 行处 理 ， 将 有 效改 善 系统性 能 。 语音 去 噪有 着 广 泛 的 应 用 ， 寻求 一 种 有 效 的算 法对 带 噪语 音 信 号 进 行 处 理 ， 以达 到 较 好 的抗 噪 效 果， 具 有 重 要 的研 究 意 义 。 目前 的语 音 去 噪算 法 主 要有 参 数 方 法 、 非参 数方法 （ 如谱减 法 ） 、 统 计 方 法 （ 如最小 均方 误差 估计 ） 以及其 他 方法 （ 如 小 波 变 换＿ ｌ ３ ｊ 、 ｈ ｉ ｌ ｂ ｅ ｒ ｔ — ｈ ｕ ａ ｎ ｇ ［ 、 人 工 神 经 网络 ［ 。 ］ ） 。其 中 ， 人工 神经 网 络 方 法 有 很 强 的非 线 性 拟合 能 力 ， 可 映 射任 意复 杂 的非线 性 关 系 ， 而且 学 习规 则 简单 ， 便 于 计算 机 实 现 ， 以 及很 强 的鲁 棒性 、 记忆能力 、 非 线 性 映射 能力 和强 大 的 自学 习能 力 。
第 ８ 卷
第 ４ 期
中 国 科 技 论 文
ＣＨ Ｉ ＮＡ Ｓ ＣＩ ＥＮＣＥＰ ＡＰ ＥＲ
Ｖｏ Ｌ ８ Ｎｏ ． ４
Ａｐ ｒ ． ２ ０ １ ３
２ ０ １ ３年 ４月
一
种 基 于 ＲＢ Ｆ神 经 网 络 的 语 音 去 噪 方 法
- 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)。
图1.1.语音增强处理改善语音质量
1.3
第一章为绪论，对课题背景即语音去噪的重要性与应用的普遍性进行了介绍。同时，还介绍了去噪算法研究的发展历史。最后，对去噪算法的分类进行了介绍，确立了本论文的研究方法——谱减法。
随机过程的统计特性可用定量值——平均值 和标准偏差 表示。期望值 是X的平均值，表示测量一次可期望的值，并用大量测量的平均值表示，即：
（2-7）
标准偏差 是X的分散程度或变化部分的表示，即：
（2-8）
在一般交变量中，平均值 为零，则标准偏差就是有效值， 称为均方差。
2.2.4
带噪语音模型如图2.1所示。
人类社会已经离不开通信，语音是我们信息交流中最平常、最快速和最方便的方式之一。但目前语音识别系统很难在噪声环境中工作，其受到的影响很大。因此，语音增强技术对于我们的日常生活有着极其重要的价值。
1.2
语音增强方法在20世纪70年代中期就对其进行研究。当时取得了一些基础性成果。随着近代科学的发展，数字信号处理理论逐渐成熟，语音增强也取得了快速的发展，如今语音增强成为语音处理领域的一个重要分支。1978年Lim和Oppenheim提出了语音增强的维纳滤波方法，1979年Boll提出了谱相减方法来抑制噪声，1980年Maulay和Malpass提出了软判决噪声抑制方法，1984年Ephraim和Malah提出基于MMSE短时谱幅度估计的语音增强方法，1987年Paliwal把卡尔曼滤波引入到语音增强领域 。语音增强技术在这近30年的发展中，各种方法被不断的提出，从而奠定了语音增强理论基础，并使之逐渐走向成熟 。
解决噪声污染的一种有效途径是语音增强，他的主要功能是在混有噪声的语音信号中处理原始语音信号，随着通信技术的发展，语音增强技术也有了很大程度的发展。它主要用于降低噪声、语音识别系统和预处理。
语音增强涉及的内容很广，它还涉及到听觉感知和语音学。噪声有许多来源，随着外部环境的变化，噪声特性也不相同。我们必须针对不同的噪声，采取不同的语音增强方法 ：
KeywordsRemoving the noise,Spectral subtraction, Gaussian white noise,Randomnoise
1绪论
1.1
语音是信息传播和情感表达的重要媒介，在日常生活中起着非常重要的作用。二十一世纪是信息科学世纪，人机交互式语音处理系统如电话通信，导航系统，远程控制等在人们日常生活中的应用越来越多。因此，对人类交流中最常用的语音其进行处理，在现代信息处理中占有极其重要的地位。
同声道语音干扰噪声：是指当单信道中有多个语音信号叠加传输时，对称信号因相互抵消而消失。此外，发音也会受到背景噪声的影响，噪声信号对原有语音信号的声学特征和参数造成了破坏，从而无法分清不同语音的差别，话音质量有所下降。因此，噪声会对语音信号产生严重的影响 。
背景噪声：背景噪声信号不仅对原有的声学特征进行破坏，而且还破坏原有信号的模型参数，使不同语音间的差别减弱，语音质量下降。较强的背景噪声会改变讲话人的发音方式，对于相同的语音，其语音的特征参数也会与安静环境下不同 。
(3-1)
经过加窗处理后的信号分别表示为 ， ， ，则有
(3-2)
对上式两端分别做傅立叶变换，得
(3-3)
对功率谱有
(3-4)
可以根据观测数据估计 ，其余各项必须近似为统计均值。由于 和 独立，则互相的统计均值为0，所以原始语音的估值为：
(3-5)
上式为功率谱减法的表达式。整个系统原理图如图所示：
图3.2传统谱减法原理框图
2.2
2.2.1
噪声来源由外界的应用环境决定，噪声一般可分为加性噪声与非加性噪声。在非加性噪声中，一些噪声可以转化为加性的。我们一般研究的加性噪声分为：周期性噪声、脉冲噪声、宽带噪声和同声道语音干扰等。
周期性噪声：离散的窄谱峰是周期性噪声的特点，其主要来源于周期性运转的机器，周期性噪声引发的问题最少，可以通过滤波技术将噪声去掉。但是，其中交流噪声的抑制很困难，因为其频率成分不是基音，而是谐波成分。
3.2
图3.3谱减法实现流程图
3.3
在本次语音信号的去噪研究中，使用的纯净语音文件是利用一段wav格式的语音文件。Wav语音文件室多媒体使用的声波文件格式之一。程序实现中我们用wavread函数读取wav语音文件，返回抽样数据、抽样速率、每一抽的比特数。
(2-9)
其中， 、 、 分别为带噪语音、纯净语音和干扰噪声。
其带噪语音模型可以用下图表示：
图2.1带噪语音模型
3
3
谱减法是语音去噪技术中较传统有效的方法，谱减法认为加性噪声与短时平稳语音是相互独立的，从而可以利用混合语音的功率减去噪声功率得到去噪后的语音信号。
图3.1谱减法原理框图
我们假设 、 和 分别代表语音、噪声和带噪语音， 、 和 分别表示其短时谱。由上面假设可以得到信号的加性模型：
关键词语音去噪，谱减法，高斯白噪声，随性噪声
ABSTRACT
Speech denoising is dealingwith the noise in our voice calls suffering from different kinds of external voice especially noiseandprovidesus a clear voice signal.In thepaper,Spectral subtractionwhich is one ofcommon Speech denoisingmethodsis studied.Spectrum subtraction iseasy to be carried out and it can improve the quality of the outputvoice,the noise in the voice can be high effectively removed. In the paper, two types of noise: Gaussian noise and random noise were added in voice signal. Thesimulation resultsshou that spectrum subtractionhas a better effect on Gaussian noise while theintensityof added noise is less than 2 and it has a better effect on random noise while theintensityof added noise is higher than 2.
语音去噪算法的研究
专业：通信工程姓名
摘 要语音去噪处理是对我们语音通话过程中受到的各种外界声音特别是噪声进行处理，从而得到纯净的语音信号。本文利用一种常用的语音去噪算法——谱减法来进行语音去噪的研究。谱减法使用简单且可执行，其输出语音质量很高，能有效的除去语音中的噪声。本文通过添加不同的噪声：高斯白噪声和随性噪声，通过谱减法对高斯白噪声与随性噪声分别进行了去噪处理，并对去噪能力进行比较，通过仿真结果可以看出当加入噪声强度低于2时，谱减法对白噪声的去噪效果较好，当加入噪声强度高于2时，谱减法对随性噪声的去噪效果较好。
2
2.1
语音是由清音和浊音组成。其中浊音在时域上是具有周期性的；在频域上有共振峰结构，在低频段内聚集着大部分能量。而清音段无时域和频域特性，与白噪声相似。在我们进行语音增强时，可以对浊音的周期特征进行有效地使用，我们一般采用梳状滤波器，通过该滤波器对语音分量进行提取，也可以有效地抑制非语音信号 。
语音信号一般利用统计分析来表示。因为语音是一种随机过程，他是非平稳，非遍历的。所以对语音信号进行长时间的时域统计特性是徒劳的，长时间的时域统计在语音增强中意义不大 。因为语音的谱幅度在短时是时变的，所以我们要将帧长趋于无穷大，这样才能近似认为该短时语音信号具有高斯分布的特性。我们在这对短时语音信号做了一种近似的描述。我们一般在研究宽带噪声的语音增强方法时，认为这种假设是前提 。
声功率 (dB)或SWL的定义为：
（2-3）
其中 = 为基准功率。
声压级与声强级的关系如下式表示：
（2-4）
其中C为声速(m／s)。
2.2.
噪声是一个随时间变化的过程。一般的时域周期信号可用振幅、频率、相位来表征。但是噪声的时域特性不是很明显，噪声的时域波形称为噪声信号，将其进行频域变换，得到噪声信号的频域特性——频谱。
脉冲噪声：一般是在时域波形中突发的窄脉冲，一般是由于放电产生的。脉冲噪声的消除方法一般在时域内进行，通过混合信号幅度的平均值来确定阈值。当混合信号幅度大于这一阈值时，该信号被认为是冲激噪声，然后在对该信号进行衰减，从而去除该脉冲噪声。
宽带噪声：一般可以设定为高斯噪声和白噪声，他有很多来源，包括一般随机噪声源，量化噪声可以认为是宽带噪声，因为混合信号中宽带噪声与语音信号在时域和频域上重叠，所以滤波方法是无效的，因而消除它最困难。宽带噪声只会单独存在于语音间歇时期，平稳的宽带噪声认为是高斯白噪声 。
单频噪声：它主要源于无线电干扰。它的特点是一种连续干扰，并且其频率是可以通过实测来确定的，因此在采取适当的措施后就有可能防止。
2.2.2.
声音是由声压、声强、声功率度量的。
声压级 (dB)或SPL的定义为：
（2-1）
其中 =20 ， 为基准声压(空气中)。
声强级 (dB)或SIL定义为
（2-2）
其中 为基准声强。
第二章介绍了去噪过程中必备的两个要素语音信号特性和噪声信号特性，噪声的质量和分类，以及噪声的表示和模型。
第三章介绍了谱减法的基本概念，实现的流程图，以及通过谱减法进行语音去噪的步骤：输入语音信号，添加不同的噪声信号，分帧加窗，傅里叶变换以及逆傅里叶变换与去除窗增益。通过仿真图形对谱减法的去噪效果以及谱减法对哪种噪声的去噪效果更好进行了论述。