基于线形神经网络语音去噪技术.docVIP

基于线形神经网络的语音去噪技术 龙宇 王忠 (四川大学电气信息学院通信工程系,成都610065) 摘要：针对传统意义上的FIR滤波器所存在的缺陷，本文采用线性神经网络构成自适应滤波器解决特定情况下的噪声去除问题。在神经网络训练的过程中利用“对消”的思想，可以很好地逼近原始语音信号。整个过程采用MATLAB编程实现，它可以在一定程度上弥补FIR滤波器的不足。 关键词：线性神经网络 自适应滤波 “对消”法语音去噪 1.引 言 语音技术历来是人们关注的热点。特别是在语音信号的噪声去除方面，既是研究的一个重点，同时也是一个难点。如何采取一种功能强大且适用范围广泛的去噪系统进行去噪处理便显得尤为重要。 由于噪声来源于各种实际的应用环境，故不同的噪声其特性差别很大。噪声可以是加性的，也可以是乘性的。对于非加性噪声，有些可以通过变换转变为加性噪声。（例如，乘积性噪声或卷积性噪声可以通过同态变换而成为加性噪声）从谱分析的角度来看，噪声大致可以分为以下三类：周期性噪声，冲激噪声，带宽噪声和语音干扰。 神经网络是当今研究的一个热点课题，在人工智能，生物工程以及心理学等方面均具有广阔的应用前景。针对含有固定噪声源的语音信号，通过频谱分析发现，噪声与有用信号频谱会在同一频段发生重叠。在这种情况下，利用传统的FIR经典滤波器将无法对噪声进行有效的滤除。故考虑采用线性神经元的网络结构来构成自适应滤波器，因为神经网络滤波器在自动调节本身系统以达到人们的预想目的方面具有其它传统的经典滤波器所不可比拟的优越性，在解决混杂特定噪声的语音滤波问题中会显示出较大的优势。本文试图通过解决对含特定情况下的去噪问题，以展现神经元网络在现代科学各个领域中的良好发展前景。 2.基本概念 神经网络的基本单元为神经元，它是对生物神经元的简化与模拟，与神经网络之间是个体和整体的关系。大量神经元的相互连接即构成了神经网络。 一个典型的具有R维输入的神经元模型可以用下图来描述： 输 入 神 经 元 P1 W1,1 n a P3 W1,R b 图1 神经元网络的基本结构 它主要由以下的五部分组成： (1)输入 p1,p2,…pR代表神经元的R个输入，用R×1维的列矢量P来表示(其中T表示取转置) P=[p1,p2, … , pR]T （1） (2)网络权值和阈值 w1,1，w1,2，…，w1,R为网络权值，表示输入与神经元之间的链接强度；b为神经元阈值，它可以被看作是一个输入恒为1的网络权值。网络权值可以用一个1×R的行矢量W来表示： W=[w1,1 , w1,2, …,w1,R] (2) 阈值b为1×1的标量。 网络的权值和阈值都是动态可调的，而神经元的智能特性也正在于通过训练和学习来不断地调节其本身的权值和阈值，使得训练后输出的结果尽量逼近于我们预计的理想目标。因此从这个意义上可以说，网络权值和阈值的可调性是神经网络学习特性的基本内涵之一。 (3)求和单元 求和单元完成对输入信号的加权求和，即 n=∑piw1,I+b (3) 这是神经元对输入信号所进行的第一个处理过程。用MATLAB语言表示为： n=w*p+b (4) (4)传递函数 在上图中，f表示神经元的传递函数或激发函数，它用于对求和单元的计算结果进行函数计算，得到神经元的输出。此为神经元对输入信号的第二个处理过程。传递函数的形式多种多样，应该根据要解决的具体问题的不同而灵活选用。典型的有阈值函数，线性函数，对数Sigmoid函数，正切Sigmoid函数等。在本文中是利用线性神经元网络去噪的，故采用线性函数。 (5)输出 输入信号神经元加权求和及传递函数作用后，得到最终的输出为 a=f(wp+b) (5) 若取传递函数为purelin函数，则神经元的输出用MATLAB语句表示即为 a=purelin(w*p+b) (6) 神经网络的结构会因解决问题的难易程度的增大而变得很复杂，但都是在这个简单关系上的扩展。 3.问题描述 在实际生活中，我们常常会遇到语音信号中含有固定噪声源的情况。如在学校的广播室里，节目主持人正在对着