基于频域BSS的语音增强方法研究

论文摘要

现实生活中,语音信号经常会受到噪声和房间混响的干扰,这不仅影响人们的听觉质量,而且对语音处理的其它环节也会产生影响。因此,必须采用信号处理技术对带噪语音信号进行增强处理。实际上,除了语音增强之外,语音分离也可以用来减小噪声和混响的影响。信号盲源分离（Blind Source Separation,BSS）是一项具有挑战性的研究课题,也是信号处理领域近年来的研究热点之一。目前,对该问题的研究已经取得了很大的进展。但是,还远未达到成熟的地步,其中,对于实际环境下的卷积语音信号分离问题的研究可以说还处于起步阶段。本论文在前人工作的基础上,主要从以下三个方面对频域盲源分离语音增强方法进行了研究。独立分量分析（Independent Component Analysis,ICA）的BSS算法是一种分离信号的有效方法,但是该方法在进行非线性优化时收敛速度较慢。针对这一问题,本文介绍一种新的BSS算法,即基于ICA和波束形成的混合算法,该算法比通用的基于ICA的BSS算法具有更好的分离性能,并且由于在ICA中利用了零波束形成,因而有效地改善了算法的分离性能和收敛性能。实验结果表明,该算法适用于混响情况。对语音信号和音乐信号进行盲解卷是一个具有挑战性的问题。在实际环境中的卷积混合情况下,ICA算法的分离效果不太理想,分离出的信号中有串扰成分存在。为了解决这一问题,本文介绍了一种基于小波域ICA和收缩函数后处理的BSS方法。该方法首先将麦克风阵列接收信号分别进行小波变换,然后将得到的小波系数进行ICA分离,再将分离出的系数进行收缩函数后处理,最后将处理后的系数分别进行小波反变换,得到分离出的语音信号和音乐信号。用计算机模拟的带噪语音信号对本文方法进行了测试,实验结果表明,该方法能较好地分离语音信号和音乐信号。针对噪声和混响情况下的语音增强问题,本文提出一种基于子带带参考信号的独立分量分析（Independent Component Analysis with Reference,ICA-R）算法和收缩函数后处理的语音增强方法。该方法将ICA-R和收缩函数算法相结合,在噪声和混响环境中通过对两路带噪语音信号进行增强处理,以实现增强目标语音信号的目的。首先对两路带噪语音信号进行子带分解;然后在子带内利用ICA-R算法从带噪语音信号中提取出子带目标信号,再经过子带综合滤波器形成全带目标信号;最后,将该信号经收缩函数后处理,得到增强后的目标语音信号。实验结果表明,该方法具有较强的噪声抑制能力,对语音信号造成的损伤较小。

论文目录

• 摘要
• Abstract
• 1 绪论
• 1.1 麦克风阵列语音增强方法概况及存在的问题
• 1.2 频域BSS技术研究综述
• 1.3 本文的主要研究内容及章节安排
• 2 语音增强的基础知识
• 2.1 语音特性及人耳感知特性
• 2.1.1 语音特性
• 2.1.2 人耳感知性
• 2.2 噪声及噪声场特性概述
• 2.2.1 噪声
• 2.2.1 噪声场特性
• 2.3 麦克风阵列模型
• 2.3.1 阵列信号的理想模型
• 2.3.2 阵列信号的实际模型
• 2.4 语音信号处理的分析工具
• 2.4.1 短时傅里叶变换
• 2.4.2 小波变换
• 2.4.3 BSS算法
• 2.5 语音增强效果评价方法
• 2.5.1 语音质量的主观评价方法
• 2.5.2 语音质量的客观评价方法
• 2.6 小结
• 3 基于ICA和波束形成的快速收敛的BSS算法
• 3.1 问题的提出
• 3.2 数据模型及通用的BSS算法
• 3.2.1 麦克风阵列的声音混合模型
• 3.2.2 常用频域ICA算法介绍
• 3.2.3 解混矩阵的估计方法
• 3.3 基于ICA和波束形成的快速收敛的BSS算法
• 3.4 计算机仿真实验结果
• 3.5 小结
• 4 基于小波域ICA和收缩函数处理的BSS算法
• 4.1 问题的提出
• 4.2 小波域中的ICA算法
• 4.3 收缩函数简介及应用
• 4.4 基于小波域ICA和收缩函数处理的BSS算法
• 4.5 实验结果及分析
• 4.6 小结
• 5 基于子带ICA-R和收缩函数后处理的语音增强方法
• 5.1 问题的提出
• 5.2 基于子带BSS和后置处理的语音增强方法简介
• 5.3 基于子带ICA-R和收缩函数后处理的语音增强方法
• 5.3.1 ICA-R算法
• 5.3.2 参考信号的获取
• 5.3.3 收缩函数后处理
• 5.4 实验结果及分析
• 5.4.1 实际录制的带噪语音实验结果
• 5.4.2 计算机模拟的带噪语音实验结果
• 5.5 小结
• 结论
• 参考文献
• 攻读硕士学位期间发表学术论文情况
• 致谢