希尔伯特—黄变换及其在语音增强中的应用研究

论文摘要

语音增强是在带噪语音信号中提取出语音信息的方法,在语音识别与编码、语音通信等领域中有着广泛的应用。语音增强的算法多种多样,经典的信号去噪声方法如时域、频域、加窗傅里叶变换、小波变换等各自有其局限性,因此限制了它们的应用范围。希尔伯特-黄变换是近年发展起来的处理非线性非平稳随机信号的有力的信号分析理论,具有重要的理论价值和广阔的应用前景,已在信号去噪领域获得了有效的应用。本文首先介绍了常用的非平稳信号的时频分析方法,总结了希尔伯特-黄变换的基本理论、研究背景、存在的问题、研究现状,以及在各研究领域尤其是信号去噪领域的应用情况。在此基础上将信息熵和主成分分析原理引入希尔伯特-黄变换中,针对传统经验模态分解的终止条件的不足,给出了希尔伯特时频谱熵的算法以及基于时频谱熵的分量终止准则和基于主成分分析的分解终止准则,并对经验模态分解算法进行了改进。改进的经验模态分解算法能够得到更准确的分解结果,并且在一定程度上减少了虚假分量和模态混叠的产生。本文对受加性噪声污染的语音信号增强理论和方法做了研究,分析了噪声和语音的分解特性,提出了一种新的基于希尔伯特-黄变换的语音端点检测算法和基于希尔伯特-黄变换的自适应多尺度多阈值的语音增强算法。采用希尔伯特-黄变换的经验模态分解方法将含噪语音分解为不同尺度的分量的和,针对每个分量的特性来进行语音检测,有选择的逐一进行去噪处理,并重构得到增强的语音信号。实验结果表明,该算法在低信噪比的多种噪声条件下对于多数语音样本具有较好的语音增强效果,并且与基于小波变换的语音增强方法比较,具有一定的优越性。

论文目录

• 摘要
• ABSTRACT
• 第1章 绪论
• 1.1 语音增强概述
• 1.2 非平稳信号的时频分析方法
• 1.2.1 非平稳信号
• 1.2.2 短时傅立叶变换
• 1.2.3 Wigner-Ville分布
• 1.2.4 小波分析
• 1.2.5 Hilbert-Huang变换
• 1.3 研究内容及章节安排
• 1.3.1 主要研究内容
• 1.3.2 章节安排
• 第2章 语音信号处理基本理论
• 2.1 引言
• 2.2 语音信号特性
• 2.3 噪声特性
• 2.4 人耳听觉感知特性
• 2.5 语音增强基本算法
• 2.5.1 周期性噪声的语音增强
• 2.5.2 脉冲噪声的语音增强方法
• 2.5.3 非线性处理语音增强
• 2.5.4 谱减法语音增强
• 2.5.5 自相关相减法语音增强
• 2.5.6 自适应噪声对消
• 2.5.7 利用延迟来建立参考信号的语音增强
• 2.5.8 小波分析在滤波和消噪方面的应用
• 2.5.9 离散余弦变换用于语音增强
• 2.5.10 统计方法用于语音增强
• 2.5.11 基于分形理论的语音信号增强
• 2.5.12 利用人工神经网络的语音增强
• 2.5.13 基于子空间方法的语音增强
• 2.6 本章小结
• 第3章 基于谱熵和主成分分析的EMD分解原理
• 3.1 引言
• 3.2 希尔伯特-黄变换基本理论
• 3.2.1 瞬时频率
• 3.2.2 希尔伯特-黄变换
• 3.2.3 HHT终止条件的研究现状
• 3.3 基于Hilbert时频谱熵的筛选分量终止准则
• 3.3.1 信息熵
• 3.3.2 基于Hilbert时频谱熵的筛选分量终止准则
• 3.4 基于主成分分析的分解终止准则
• 3.4.1 主成分分析
• 3.4.2 基于主成分分析的分解终止准则
• 3.5 基于时频谱熵和主成分分析的经验模态分解算法
• 3.6 实验结果及分析
• 3.6.1 两单频率叠加序列
• 3.6.2 三分量合成信号
• 3.6.3 非平稳信号
• 3.7 本章小结
• 第4章 基于希尔伯特-黄变换的语音增强
• 4.1 引言
• 4.2 语音及噪声的EMD分解特性
• 4.3 语音增强性能评价
• 4.3.1 主观评价
• 4.3.2 客观评价
• 4.4 基于希尔伯特-黄变换的语音增强
• 4.4.1 基于HHT的语音检测
• 4.4.2 加权滤波
• 4.4.3 自适应局部阈值
• 4.4.4 基于HHT的语音增强算法简述
• 4.5 实验及结果分析
• 4.5.1 对比算法选择
• 4.5.2 实验结果与分析
• 4.6 本章小结
• 结论
• 参考文献
• 攻读硕士学位期间发表的论文和取得的科研成果
• 致谢