小波分析在语音信号处理中的应用小波分析在语音信号处理中的应用.doc

小波分析在语音信号处理中的应用 摘要：本文介绍了小波变换及小波变换在语音信号处理中的应用，效果显著。这里主要介绍运用小波变换对语音信号的压缩和增强，给出了仿真结果并进行了分析。 关键词：小波 去噪 压缩 基因检测 中图分类号：p631 文献标识码：a 文章编号：1007-9416(2012)02-0158-02 1、引言 小波分析是在傅里叶基础上发展起来的一个有效的调和分析工具，傅里叶分析作为最早的调和分析工具，在信号频谱分析中有着非常重要的作用，是调和分析发展的一个重要分支。但是在当需要对信号的某一时间点，或某一时间段的频率成分进行分析时，传统的傅里叶变换就显得无能为力了，所以在他得基础上发展了短时傅里叶变换，gabor变换，以致到后来具有革命性意义的小波变换。 小波变换是采用面积固定不变但形状不断变化的分析窗口对信号进行变换，其多分辨分析的特点，很适合于分析非平稳信号。语音信号是一个典型的非平稳信号，目前，小波变换已经成功运用于语音信号处理。 2、小波变换 连续小波变换把一维信号投影到二维的时间一尺度相平面上，其基本思想是用一组函数去表示或逼近一信号或函数，这一组函数称为小波函数系，通过一基本小波的平移和伸缩构成小波变换的定义如下： 设 x(t)是平方可积函数，记作x(t)∈l2(r)，ψ(t)是被称作基本小波或母小波(motherwavelet)的函数则 称为x(t)的小波变换。式中a0是尺度因子，b反应位移，*表示共轭。 因为一维信号x(t)作小波变换成为二维的wtx(a,b)后其信息是有冗余的，因此在工程应用中常见的是离散的小波变换。 目前通行的办法是对尺度幂级数作离散化，可将尺度因子a和移位因子b离散化。若对尺度因子a按二进的方式离散化，就得到了二进小波和二进小波变换。 3、语音信号的小波增强 对信号进行消噪实际上是抑制信号中的无用部分，增强信号中的有用部分的过程。小波去噪的方法有很多种，概括起来主要有屏蔽去噪法值法、阈值去噪法、模极大值检测去噪法等。本文用的是阈值去噪，它的思想是利用阈值对经过变换后的较低???度上的小波系数进行处理，将那些对应于高斯噪声的小波系数置零，而保留那些对应于信号的小波系数，再由处理后的小波系数重构原信号，获得对有效信号的最优估计。 其主要依据是：小波变换特别是正交小波变换具有很强的去数据相关性的能力，它能使信号的能量在小波域集中于一些大的小波系数；而噪声的能量却分布于整个小波域内，因此经小波分解后，信号的小波系数幅值要大于噪声的小波系数幅值，幅值较大的小波系数一般以信号为主，而幅值较小的在很大程度上是噪声。于是，采用阈值去噪的方法可以把信号系数保留，而使大部分噪声系数减少为零。 3.1 语音信号的小波增强的阈值选择 无论是使用小波变换对语音信号增强或者是压缩的，阈值的选择都是关键。压缩时：阈值过大，信号会有较大的失真；阈值过小，则压缩的意义不大。去噪时：阈值过大，虽然可以减少信号中的噪声，会除去信号的一部分能量，重构信号也会有较大的失真；阈值过小，则重构信号中将包含过多的噪声分量，达不到去噪的目的。 小波分析进行消噪处理一般有3种方法：默认阈值消噪处理、给定阈值(软阈值或硬阈值)消噪处理、强制消噪处理。 小波变换后传统的阈值处理方法有硬阈值（hard shrinkage）和软阈值（soft shrinkage）处理方法。采用硬阈值，就是把绝对值小于阈值的小波系数设为0，其他的系统不变；采用软阈值就是用小波系数的绝对值减去小于的小波系统设为0。一般来说，硬阈值比软阈值处理后的信号更加粗糙。 3.2 小波对语音信号去噪的仿真结果和分析 本列中对原始信号加入高斯白噪声，去噪时用小波‘sym6’执行分解，使用启发式阈值选择（heursure），然后再通过软阈值方法去噪。去噪效果如图1所示。从图像中可以看出，增强后的语言信号很光滑，基本不含噪声分量，显示了原始信号的大量信息，但是也去掉了原信号的一些细节信息，而且想要提高去噪时的效果通过改变小波基或者提高层数，其改进的效果不大，所以传统的小波去噪的算法还存在很大的改进空间，但是其前景不容小觑。 4、语音信号的小波压缩 信号压缩的基本目的就是在不损失信号所携带信息的前提下,尽可能减少用于存储信号的开销。基于小波变换实现信号压缩的基本思想是:信号经小波变换后,通过作用域值过滤掉不是信号主要性质的细节系数,然后利用低采样率的近似系数,加上少量关心的细节系数恢复原信号,从而实现信号的压缩。 语音信号的小波压缩仿真和分析。本列中用小波db5进行5层分解，算出默认阈值，对信号进行压