论文部分内容阅读
语音增强的目的是增强目标语音,或者说是减少噪声,经过多年的研究,人们已经提出了很多语音增强算法。而对许多语音增强算法而言,对噪声的估计都是一个非常关键的环节。语音是一种不平稳信号,但是具有短时平稳性,所以噪声估计算法普遍通过对带噪语音信号进行短时分析,采用随机过程和概率统计等数学方法对噪声的功率谱进行估计。本文以单声道语音增强中的噪声估计为研究对象,对几种具有代表性的噪声估计算法进行了介绍分析及仿真。并且对改进的最小值控制递归平均(Improved Minima Controlled Recursive Averaging,IMCRA)算法以及基于最小均方误差(Minimum Mean Square Error,MMSE)的噪声估计算法进行了改进。噪声的非平稳性特点决定了噪声在带噪语音的有声段也会发生变化,因而必须对噪声的变化做出快速的跟踪。IMCRA算法在最小值控制递归平均(Minima Controlled Recursive Averaging,MCRA)算法的基础上采用了两次平滑和两次最小值搜索,该算法的最小值搜索采取的是单向搜索,在噪声功率水平快速上升的情况下,会出现不能及时跟踪噪声功率的情况,因而会产生较大的延时。本文对IMCRA算法的最小值搜索方法进行了改进,在第一次最小值搜索时采用前后向搜索的方法得到一个语音存在的粗略判决,第二次最小值搜索时采用大小窗双向并行搜索,结合第一次的判决给出最小值搜索结果。仿真结果表明改进后的方法减少了噪声估计的延时,对噪声的估计效果更好。基于MMSE的噪声估计算法使用先验信噪比的最大似然估计来获得噪声周期图的MMSE估计,然而给定的先验信噪比估计所得到的MMSE估计是有偏估计,为了补偿这个偏差,需要使用判决引导法对先验信噪比再作一次估计。本文改进了原始算法,采用基于语音存在概率的软判决来代替硬判决,因此能够使估计无偏。本文的算法与原始的算法相比,改善了估计效果,减少了计算量,并且更节省内存。