基于幅度平方谱的语音增强【知网论文查重】

知网论文查重12月12日检测样例

语音增强技术在语音信号处理系统中一般用于对语音信号进行前期处理。对于不一样的噪声类型应该针对性选用适合的语音增强算法。以下是一些比较常见的语音增强算法。

• 谱减（spectral-subtractive）法

这是一种非常容易实现的增强算法，所以人们比较经常使用它进行语音增强。谱减法的大致原理是这样的：假定噪声是加性而且平稳的，想要得到原始语音信号谱，需要从被噪声污染的语音谱中去除噪声谱的估计。没有目标信号的时候要更新噪声谱。然后使用带噪语音信号的相位，并且对估计的信号谱使用离散傅里叶反变换就可以得到增强后的语音信号了。最开始的时候是韦斯提出基于相关域谱减法。不久之后波尔就提出更先进的基于傅里叶变换域的谱减法。

知网论文查重

（2）信号子空间算法

子空间算法主要源自于线性代数理论。此算法具体原理是基于：在欧式空间中，纯净语音信号的分布可能局限在带噪信号的子空间里。被噪声污染的语音信号向量空间被分成了两个子空间，第一个子空间大部分是纯净语音信号，第二个子空间含有的信号就只是噪音信号。通过清除被噪声污染的语音信号向量空间中的噪声子空间就可以估计纯净语音信号。 “信号”和“噪声”子空间组成了被噪声污染的语音信号向量空间。丹德里诺斯最初通过正交矩阵分解技术将其分解。随后，以法莲和哈利提出针对信号协方差矩阵时域特征值分解的方法。

（3）基于统计模型（statistical-model-based）的算法

基于统计模型的语音增强算法是基于估计统计的原则提出的。纯净语音信号将被从带噪语音信号中估计出。此算法需要知道纯净语音信号和噪声信号的联合统计量和具有易于理解的失真度量方法，得到一种最优化算法来获得语音信号的统计模型，并结合已有的失真度量得到语音增强算法。维纳（Wiener）算法和最小均方误差（MMSE）算法就属于此类。最早由玛尔帕斯和麦高利发现了一种基于最大似然准则的途径，此算法的目的是估计纯净语音信号的傅里叶变换系数。之后马拉和以法莲提出了一种幅度谱的MMSE估计。利姆和奥本海姆主要研究出语音增强的维纳算法。
知网论文查重文章欢迎转载，转载请以链接形式标明本文地址。