语音降噪--LMS算法.docVIP

第一章是绪论局部，阐述了课题研究的背景、目的和意义。

第二章介绍了几种常见的语音降噪方法，并对每种方法进行了简单的分析，针对文章研究的内容，选择了适合的语音降噪方法。

第三章先介绍了自适应滤波器技术原理，接着分析了噪声抵消算法的原理及算法性能比拟，最后对LMS算法进行了详细分析。

第四章对两种变步长LMS算法做了进一步的改良，对所提出的算法进行性能仿真，并针对仿真结果进行算法的可行性和性能分析。

第五章引入并改良了频域快速LMS算法，并针对仿真结果进行算法的可行性和性能分析。

第六章是对全文的总结，分析了本文的主要研究成果，并对未来工作进行了分析与展望。

语音降噪LMS算法

第2章语音降噪的模型与方法

2.1引言

语音降噪主要研究如何利用信号处理技术消除信号中的强噪声干扰，从而提高输出信噪比以提取出有用信号的技术。消除信号中噪声污染的通常方法是让受污染的信号通过一个能抑制噪声而让信号相对不变的滤波器，此滤波器从信号不可检测的噪声场中取得输入，将此输入加以滤波，抵消其中的原始噪声，从而到达提高信噪比的目的。

2.2语音和噪声的特性

语音的特性

〔1〕语音是时变的、非平稳的随机过程

人类发音系统生理结构的变化速度是有一定限度的，在一段时间内〔10-30ms〕，人的声带和声道形状是相对稳定的，因而语音的短时谱具有相对稳定性，所以在语音分析中就可利用短时谱的这种平稳性[1]。

〔2〕语音可分为浊音和清音两大类

浊音在时域上呈现出明显的周期性，在频域上有共振峰结构，而且能量大局部集中在较低频段内而清音段没有明显的时域和频域特征，类似于白噪声。在语音增强研究中，可利用浊音的周期性特征，采用梳状滤波器提取语音分量或者抑制非语音信号，而清音那么难以与宽带噪声区分。

〔3〕语音信号可以用统计分析特性来描述

由于语音是非平稳的随机过程，所以长时间的时域统计特性在语音增强的研究中意义不大。语音的短时谱幅度的统计特性是时变的，只有当分析帧长趋于无穷大时，才能近似认为其具有高斯分布。高斯分布模型是根据中心极限定理得到的，将高斯模型应用于有限帧长只是一种近似的描述。在宽带噪声污染的语音增强中，可将这种假设作为分析的前提。

〔4〕语音感知对语音增强研究有重要作用

人耳对语音的感知主要是通过语音信号频谱分量幅度获得的，人耳对频率上下的感受近似与该频率的对数值成正比。共振峰对语音的感知十分重要，特别是第二共振峰比第一共振峰更为重要。

2.2.2噪声的特性

噪声来源于实际的应用环境，因而其特性变化无穷，噪声可以是加性的，也可以是非加性的。考虑到加性噪声更普遍且易于分析问题，并且对于局部非加性噪声，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，这里我们仅讨论加性噪声。

加性噪声大致可分为周期性噪声、冲激噪声和宽带噪声：

〔1〕周期性噪声

周期性噪声的特点是有许多离散的窄谱峰，它往往来源于发动机等周期运转的机械，如或交流声会引起周期性噪声。周期性噪声引起的问题可以通过功率谱发现，并通过滤波或变换技术将其去掉。

〔2〕冲激噪声

冲激噪声表现为时域波形中突然出现的窄脉冲，它通常是放电的结果。消除这种噪声可根据带噪语音信号幅度的平均值确定闽值，当信号幅度超过这一阈值时判为冲激噪声，然后进行消除。

〔3〕宽带噪声

宽带噪声的来源很多，如热噪声、气流如风、呼吸噪声及各种随机噪声源等，量化噪声也可视为宽带噪声。由于宽带噪声与语音信号在时域和频域上完全重叠，因而消除它最为困难，这种噪声只有在语音间歇期才单独存在。对于平稳的宽带噪声，通常认为是白色高斯噪声不具有白色频谱的噪声，可以先进行白化处理。对于非平稳的宽带噪声，情况就更为复杂一些。

本文中研究的噪声等以人的呼吸或实验室环境下的噪声为主要对象，这种噪声一般符合如下的假设：

〔1〕噪声是加性的；

〔2〕噪声是局部平稳的，局部平稳是指一段带噪语音中的噪声，具有和语音开始前那段噪声相同的统计特性，且在整个语音段中保持不变，也就是说，可以根据语音开始前那段噪声来估计语音中所叠加的噪声统计特性；

〔3〕噪声与语音独立或不相关。

带噪语音模型

本文中研究的噪声是以工厂噪声、人的噪音以及汽车噪声等为主要对象，一般符合如下的假设噪声是加性的、局部平稳的、噪声与语音统计独立或不相关。

带噪语音模型表达式如下[2]

〔2-1〕

其中表示纯洁语音，表示噪声，表示带噪语音。带噪语音模型如图2-1所示：

图2-1带噪语音模型

而说噪声是局部平稳，是指一段带噪语音中的噪声，具有和语音段开始前那段噪声相同的统计特性，且在整个语音段中保持不变。也就是说，可以根据语音开始前那段噪声来估计语音中所叠加的噪声统计特性。

2.3几种传统的语音降噪方法

通过对前人在噪声抵消方面的