【文章內(nèi)容簡(jiǎn)介】 表現(xiàn)的較好,但是在大多數(shù)的實(shí)際環(huán)境中表現(xiàn)的就沒(méi)那么好了,因?yàn)樵谶@樣的環(huán)境中噪聲是時(shí)變的。因此,在大多數(shù)噪聲估計(jì)算法中,如果噪聲突然變大,那么噪聲估計(jì)都不能及時(shí)跟蹤它的變化。在帶噪語(yǔ)音的每一幀處,基于帶噪語(yǔ)音的功率譜和其局部最小值的比率來(lái)判斷純凈語(yǔ)音是否存在,結(jié)果表明在噪聲水平突然增加的情況下,。在本文中,我們介紹一種改進(jìn)的算法:基于統(tǒng)計(jì)信息的非平穩(wěn)噪聲自適應(yīng)算法 (1)不需要明確的語(yǔ)音活性檢測(cè)(VAD)來(lái)更新噪聲參數(shù)的估計(jì)。(2)利用幀間相關(guān)性估計(jì)純凈語(yǔ)音存在概率。這種算法基于語(yǔ)音存在概率來(lái)計(jì)算時(shí)頻平滑參數(shù),從而更新噪聲參數(shù)。 非平穩(wěn)噪聲自適應(yīng)算法設(shè)觀察到的帶噪語(yǔ)音為: (417)其中,s(t)是純凈語(yǔ)音,n(t)是加性噪聲。先用一個(gè)遞歸的平滑過(guò)程來(lái)計(jì)算帶噪語(yǔ)音的語(yǔ)音的功率譜: (418)其中,是平滑功率譜,是幀的標(biāo)號(hào),k是頻點(diǎn)的標(biāo)號(hào),是帶噪語(yǔ)音的功率譜, 。(1) 跟蹤帶噪語(yǔ)音最小值在以前的算法中(如martin的最小值跟蹤法),通過(guò)一個(gè)固定的窗長(zhǎng)去跟蹤帶噪語(yǔ)音功率譜的最小值。這些方法對(duì)于外部環(huán)境很敏感,并且依據(jù)窗長(zhǎng)去更新最小值。下面用遞歸法則去跟蹤最小值:if thenelse end其中,是帶噪語(yǔ)音的局部最小功率譜, 。圖(43)是帶噪語(yǔ)音的功率譜和其局部最小值。噪聲是由白噪聲和F16戰(zhàn)斗機(jī)噪聲組合而成,信噪比SNR=5dB 。 圖43 帶噪語(yǔ)音的功率譜和其局部最小值圖中,虛線表示帶噪語(yǔ)音功率譜,實(shí)線表示帶噪語(yǔ)音局部最小值,頻率分量k=8（2） 語(yǔ)音存在概率這里介紹的判斷語(yǔ)音存在概率的方法類似于2002年Cohen在噪聲估計(jì)算法中使用的方法,用帶噪語(yǔ)音功率譜和其局部最小值得比率來(lái)計(jì)算語(yǔ)音存在概率,用下式表示: (419)計(jì)算出來(lái)的概率和經(jīng)驗(yàn)頻率值比較,如果大于判斷為語(yǔ)音存在頻率點(diǎn),否則判斷為語(yǔ)音盲點(diǎn)。原因是:在語(yǔ)音盲點(diǎn)時(shí)刻,帶噪語(yǔ)音功率譜接近于其局部最小值,因此,在(312)式中比率越小,處于語(yǔ)音間隙的可能性就越大。語(yǔ)音是否存在用下式判斷: if then 語(yǔ)音存在 (420) else 語(yǔ)音間隙 end其中,用下式來(lái)確定: (421)其中,LF和MF分別對(duì)應(yīng)于1k和3k的頻率點(diǎn),Fs是采樣頻率。從上式的判斷規(guī)則,用下式來(lái)更新語(yǔ)音存在概率: (422)其中, 。(注: (421)式利用了相鄰語(yǔ)音幀間相關(guān)性。)(2) 計(jì)算時(shí)頻平滑參數(shù)利用上面的語(yǔ)音存在概率估計(jì),用下式計(jì)算時(shí)頻平滑參數(shù): (423),的取值范圍是:(3) 更新噪聲功率譜最后,在計(jì)算了時(shí)頻平滑參數(shù)后,利用下式來(lái)更新噪聲功率譜: (424)其中,是噪聲功率譜的估計(jì)值,整個(gè)算法的描述過(guò)程:根據(jù)式(421)判斷何時(shí)是語(yǔ)音存在頻點(diǎn),何時(shí)是語(yǔ)音間隙頻點(diǎn)。然后根據(jù)式(422)來(lái)更新語(yǔ)音存在概率。再根據(jù)式(423)來(lái)更新時(shí)頻平滑參數(shù)。最后,根據(jù)式(424)來(lái)更新噪聲功率譜的估計(jì)。圖44描繪了真實(shí)的噪聲功率譜和用我們的算法所估計(jì)出來(lái)的噪聲功率譜,噪聲是由白噪聲和F16戰(zhàn)斗機(jī)噪聲組合而成,Fs=8k,信噪比SNR=5dB。 圖44 真實(shí)的噪聲譜和估計(jì)的噪聲譜圖44中,虛線表示真實(shí)噪聲功率,實(shí)線表示估計(jì)噪聲功率,頻率分量k=8?？梢钥闯鲈诖蠹s100幀處,噪聲功率突升,估計(jì)噪聲功率也即刻突升,表明算法能夠即刻跟蹤噪聲的變化。 最小值控制遞歸平均算法Cohen和Berdugo在文獻(xiàn)[5]中提出了一種基于最小值約束的遞歸平均（MCRA：Minima Controlled Recursive Averaging）方法。該方法使用一個(gè)平滑參數(shù)對(duì)功率譜的過(guò)去值進(jìn)行平均，該平滑參數(shù)是根據(jù)每個(gè)子帶中語(yǔ)音存在的概率進(jìn)行調(diào)整的。在一給定幀的某個(gè)子帶中語(yǔ)音是否存在的概率可以由帶噪語(yǔ)音的局部能量值與其待定時(shí)間窗內(nèi)的最小值的比值決定，把該比值與某一門限做比較，小的比值意味著該子帶中不存在語(yǔ)音，反之，意味著該子帶內(nèi)存在語(yǔ)音。如果給定幀的某個(gè)子帶中存在語(yǔ)音，那么該子帶內(nèi)的噪聲譜等于上一幀的噪聲譜，如果不存在，則根據(jù)帶噪語(yǔ)音的功率譜更新噪聲譜。最后，為了防止估計(jì)的噪聲起伏較大，對(duì)其進(jìn)行了遞歸平滑。Mcaulay提出語(yǔ)音存在和語(yǔ)音缺失的兩態(tài)假設(shè)模型[28] (425)其中，(1)式代表語(yǔ)音缺失,(2)式代表語(yǔ)音存在,Y(λ, k)，S(λ, k)和N(λ, k)分別代表帶噪語(yǔ)音、純凈語(yǔ)音和噪聲的短時(shí)傅立葉變換后的幅度， 和分別代表語(yǔ)音缺失和語(yǔ)音存在概率假設(shè)。那么就可以在這兩種假設(shè)模型下更新噪聲譜，更新的方法是：如果該子帶中存在語(yǔ)音，噪聲譜保持不變；反之則根據(jù)帶噪語(yǔ)音的功率譜進(jìn)行更新，如下式： (426)其中，(1)式代表語(yǔ)音存在,(2)式代表語(yǔ)音缺失, 為平滑參數(shù)。 為了達(dá)到上式的噪聲估計(jì)，首先對(duì)輸入的每一幀信號(hào)用下式進(jìn)行頻域平滑： (427)其中，b(i)為加權(quán)系數(shù)，Y(λ, k)是第λ 幀的第k 個(gè)頻率點(diǎn)的幅度，2w +1是進(jìn)行頻域平滑的相鄰頻點(diǎn)數(shù)。其次，用一階遞歸進(jìn)行時(shí)域平滑： (428) 其中，為平滑參數(shù)，S(λ ?1, k)為前一幀帶噪信號(hào)的功率譜。 計(jì)算局部能量最小值局部能量最小值等于前一幀局部能量最小值與當(dāng)前幀帶噪信號(hào)功率譜中較小的一個(gè),即:9 (429)同時(shí)定義一個(gè)臨時(shí)變量,表示如下: (430)每當(dāng)處理第nL幀時(shí)，更新局部能量最小值和臨時(shí)變量，分別為： (431)其中，L為一個(gè)包含多幀的窗口大小，決定了局部最小值搜索的范圍，考慮到語(yǔ)音的連續(xù)性和噪聲的改變。 估計(jì)語(yǔ)音存在的概率用帶噪語(yǔ)音功率譜和其局部最小值的比率來(lái)計(jì)算語(yǔ)音存在概率，如下式表示： (432)計(jì)算出的概率和經(jīng)驗(yàn)頻率值δ 比較，如果大于δ 判斷為語(yǔ)音存在頻帶，否則判斷為語(yǔ)音盲點(diǎn)。之所以這樣判斷是因?yàn)椋涸谡Z(yǔ)音盲點(diǎn)時(shí)刻，帶噪語(yǔ)音功率譜接近于其局部最小值，因此，在上式中比率越小，處于語(yǔ)音間隙的可能性就越大。語(yǔ)音是否存在用下式來(lái)判斷： If then 語(yǔ)音存在 else 語(yǔ)音不存在 (433) end 從上式的判斷規(guī)則，用下式來(lái)更新語(yǔ)音存在概率: (434)其中，是平滑常量。δ 取值5，I (λ , k)是上式中的指標(biāo)函數(shù)。 更新噪聲譜的估計(jì)獲得語(yǔ)音存在的概率后，就可以更新噪聲譜了。如下式： (435)其中, 一種改進(jìn)的最小統(tǒng)計(jì)量控制遞歸平均噪聲估計(jì)算法 改進(jìn)的噪聲估計(jì)算法 設(shè)x(n)和d(，1)分別表示干凈語(yǔ)音信號(hào)和加性噪聲信號(hào)，則帶噪語(yǔ)音信號(hào)y(n)=x(n)+d(n)。其中，x(n)和d(n)相互獨(dú)立。對(duì)帶噪語(yǔ)音信號(hào)分幀并變換到頻域可以得到Y(jié)(k，1)=x(k，Z)+D(k，Z)，k為頻帶序號(hào)，l為幀序號(hào)。通過(guò)對(duì)帶噪語(yǔ)音信號(hào)功率譜進(jìn)行一階遞歸平滑得到噪聲功譜[8]: (436)其中，既(七，f)為受語(yǔ)音存在概率p(k，z)控制的自適應(yīng)平滑因子。設(shè)為語(yǔ)音無(wú)聲段的固定平滑因子，則可以表示為： (437)假定X(k，l)和D(k，l)均滿足復(fù)高斯分布，則在噪聲功率譜給定條件下語(yǔ)音存在概率p(k，l)由下式給出： (438)設(shè)為后驗(yàn)信噪比, 為先驗(yàn)信噪比，可以采用判決反饋的方法獲得，為語(yǔ)音存在時(shí)干凈語(yǔ)音信號(hào)功率譜,為先驗(yàn)語(yǔ)音不存在概率，受語(yǔ)音最小統(tǒng)計(jì)量控制，通過(guò)兩次平滑和最小統(tǒng)計(jì)量跟蹤實(shí)現(xiàn)。首先，在時(shí)頻域?qū)г胝Z(yǔ)音進(jìn)行平滑。設(shè)為時(shí)域平滑參數(shù)，6(f)為長(zhǎng)度為2w+1的歸一化窗，取為W=1的漢寧窗，則平滑過(guò)程為： (439) (440)對(duì)平滑輸出信號(hào)s(k，l)進(jìn)行最小值搜索。設(shè)和為固定的平滑參數(shù)，最小值跟蹤過(guò)程為：if else (441)定義和為: (442)其中 1．66為噪聲補(bǔ)償因子。設(shè) ,和為判決門限，根據(jù)和進(jìn)行語(yǔ)音存在概率硬判決: (443)根據(jù)語(yǔ)音存在概率硬判決去除強(qiáng)語(yǔ)音成分后，進(jìn)行第二次平滑和最小值跟蹤。平滑過(guò)程為: (444) (445)采用同樣的最小值跟蹤過(guò)程，對(duì)搜索最小值。定義和: (446)設(shè),則先驗(yàn)語(yǔ)音不存在概率為: (447) 實(shí)驗(yàn)仿真本實(shí)驗(yàn)的兩種帶噪語(yǔ)音文件，一種是信噪比為5dB的平穩(wěn)帶噪語(yǔ)音，噪聲為高斯白噪聲。(圖中橫坐標(biāo)表示時(shí)間，縱坐標(biāo)表示功率譜，實(shí)線表示真實(shí)的噪聲譜，虛線表示估計(jì)的噪聲譜)其仿真結(jié)果如下圖所示:圖45 真實(shí)噪聲譜和IMCRA算法估計(jì)的噪聲譜(5dB高斯白噪聲)圖46 真實(shí)噪聲譜和IMCRA算法估計(jì)的噪聲譜 (信噪比從10dB突變?yōu)?dB)從圖中可以看出本文研究的噪聲估計(jì)算法具有較好的噪聲跟蹤能力，在語(yǔ)音存在的條件下能保持對(duì)噪聲的更新。其噪聲跟蹤能力與IMCRA算法相當(dāng)。該算法利用了改進(jìn)的最小統(tǒng)計(jì)量控制遞歸平均算法對(duì)最小統(tǒng)計(jì)量的魯棒性，采用了一種簡(jiǎn)單有效的最小量跟蹤算法，提高了對(duì)非平穩(wěn)噪聲的跟蹤能力，降低了算法復(fù)雜度。該算法可以廣泛地應(yīng)用于語(yǔ)音增強(qiáng)系統(tǒng)，能夠有效地提高信噪比，抑制音樂(lè)噪聲。5 總結(jié)與展望 論文的主要工作語(yǔ)音增強(qiáng)是語(yǔ)音信號(hào)處理領(lǐng)域中一個(gè)重要的基本問(wèn)題。它廣泛地應(yīng)用于語(yǔ)音通信的背景噪聲抑制、語(yǔ)音壓縮編碼和語(yǔ)音識(shí)別的前端預(yù)處理中。語(yǔ)音增強(qiáng)的研究也越來(lái)越受到人們的重視，也取得了一定的成果，而語(yǔ)音增強(qiáng)特別是譜減法語(yǔ)音增強(qiáng)中，一個(gè)難點(diǎn)就是噪聲估計(jì)，準(zhǔn)確地從背景噪聲中估計(jì)出噪聲功率譜，刪除不含語(yǔ)音成分的背景噪聲，從而可以大大提高增強(qiáng)效果。因此，噪聲估計(jì)是語(yǔ)音增強(qiáng)系統(tǒng)中非常重要的一個(gè)部分，估計(jì)的好壞會(huì)直接影響最終的增強(qiáng)效果。本文從語(yǔ)音活動(dòng)檢測(cè)和不需要進(jìn)行語(yǔ)音檢測(cè)的連續(xù)自適應(yīng)噪聲估計(jì)算法入手，VAD方法雖然有易于實(shí)現(xiàn),但是對(duì)非平穩(wěn)噪聲的跟蹤力度不夠而直接導(dǎo)致增強(qiáng)算法無(wú)法及時(shí)更新噪聲特性,同時(shí)在經(jīng)典算法的基礎(chǔ)上，研究了一種快速有效的噪聲估計(jì)方法。本文主要研究了: Martin 提出的基于最小值跟蹤和最小統(tǒng)計(jì)的噪聲估計(jì)算法，Cohen 等提出的最小值遞歸平均算法，并對(duì)這些算法進(jìn)行了仿真實(shí)驗(yàn)和分析。最后在這些算法的基礎(chǔ)上，研究了一種改進(jìn)的最小統(tǒng)計(jì)量控制遞歸平均算法，該算法利用了改進(jìn)的最小統(tǒng)計(jì)量控制遞歸平均算法對(duì)最小統(tǒng)計(jì)量的魯棒性，采用了一種簡(jiǎn)單有效的最小量跟蹤算法，提高了對(duì)非平穩(wěn)噪聲的跟蹤能力，并在IMCRA算法的基礎(chǔ)上,利用其對(duì)語(yǔ)音最小統(tǒng)計(jì)量估計(jì)算法,在保證噪聲估計(jì)準(zhǔn)確性的同時(shí),減小了算法的復(fù)雜度。該算法可以廣泛地應(yīng)用于語(yǔ)音增強(qiáng)系統(tǒng)，能夠有效地提高信噪比，并且能夠有效地抑制音樂(lè)噪聲。通過(guò)實(shí)驗(yàn)仿真，結(jié)果表明此方法能夠獲得更加準(zhǔn)確的噪聲估計(jì)，在噪聲突變時(shí)，與其他方法相比大大縮短了時(shí)間延遲。 目前存在的問(wèn)題及今后的發(fā)展方向由于本人所學(xué)有限，本論文提出的改進(jìn)和想法是一些很基礎(chǔ)的，還不全面，需要進(jìn)一步的探索和完善。下一步的研究工作，可以從以下幾個(gè)方面來(lái)展開(kāi)：（1）更深入的研究噪聲的性質(zhì)，噪聲估計(jì)算法不可能對(duì)所有的噪聲類型都能適合，下一步可以研究并分析噪聲的各個(gè)特性，針對(duì)不同的噪聲類型，提出一種適合此類噪聲的噪聲估計(jì)算法。（2）進(jìn)一步完善噪聲功率譜的估計(jì)算法，對(duì)于許多新型的算法加以研究，進(jìn)一步將噪聲估計(jì)方法和其他方法相結(jié)合，爭(zhēng)取得到更加精確的噪聲估計(jì)。（3）噪聲估計(jì)算法的研究是為了應(yīng)用于語(yǔ)音增強(qiáng)，因此，對(duì)語(yǔ)音增強(qiáng)的研究也需要進(jìn)一步關(guān)注，同時(shí)，幾乎所有的語(yǔ)音增強(qiáng)技術(shù)都是采用的帶噪語(yǔ)音的相位信息，而低信噪比情況下，相位信息對(duì)語(yǔ)音感知有重要作用，因此有必要在以后的工作中研究噪聲中估計(jì)相位的算法。參考文獻(xiàn)[1] 張雄偉，陳亮，楊吉斌．現(xiàn)代語(yǔ)音處理技術(shù)及應(yīng)用[M]．北京：機(jī)械工業(yè)出版社，2003：412．[2] 趙立．語(yǔ)音信號(hào)處理[M]．北京：機(jī)械工業(yè)出版社，2003：510．[3] R. Martin. Spectral subtraction based on minimum statistics[C], Seventh EuropeanSignal Processing Conference, 1994, 9(5):11821185.[4] 張雪英，張剛，馬建芬，語(yǔ)音處理與編碼[M]，北京，兵器工業(yè)出版社，2000.[5] , B. Berdugo. Noise estimation by minima controlled recursive averaging for robust speech enhancement [J], IEEE Signal Proc. Letters, 2002, 9(1):1215.[6] 王華奎，張立毅，數(shù)字信號(hào)