=
2011.12.广东通信技术
图4 改进后的维纳滤波算法
由图3可明确地看出带噪语音在经算法处理之后噪声没有得到有效抑制，信噪比较处理之前无明显提高。主观感觉上增强后的语音同样存在较大的背景噪声，与增强之
前的语音差异不大。经分析该情况为噪声估计值?(n
k λ于实际噪声功率谱，导致维纳滤波未起到有效滤除噪声频
谱的作用。另外由图4可知，由于采用α对?()n
k λ进行了修改使其更接近于实际噪声功率谱，增强后的语音其噪声
基于麦克风阵列的语音增强方法 概述：在日常生活和工作中，语音通信是人与人之间互相传递信息沟通不可缺少的方式。在语音通信中，语音信号不可避免地会受到来自周围环境和传输媒介的外部噪声、通信设备的内部噪声及其他讲话者的干扰。这些干扰共同作用，最终使听者获得的是被噪声污染过的带噪声语音，严重影响了双方之间的交流。应用阵列信号处理技术的麦克风阵列能够充分利用语音信号的空时信息，具有灵活的波束控制、较高的空间分辨率、高的信号增益与较强的抗干扰能力等特点，逐渐成为强噪声环境中语音增强的研究热点。本文将介绍各种麦克风阵列语音增强方法，并总结各个方法的优劣。最终得出更好的、能够去噪的基于麦克风阵列的语音增强方法。 1麦克风阵列 麦克风阵列是将两个麦克风的信号耦合为一个信号。在频率响应中也可以根据时域中波束形成与空间滤波器相仿的应用，分析出接收到语音信号音源的方向以及其变化。采用该技术，能利用两个麦克风接收到声波的相位之间的差异对声波进行过滤，能最大限度将环境背景声音滤掉，只剩下需要的声波。对于在嘈杂的环境下使用采用了这种配置的设备，在嘈杂的环境下能使听者听起来很清晰，没杂音。 2基于麦克风阵列的语音增强方法 2.1基于自适应波束形成器的麦克风阵列语音增强 自适应波束形成是现在广泛使用的一类麦克风阵列语音增强方法。最早出现的自适应波束形成算法，其基本思想是在某方向有用信号的增益一定的前提下，使阵列输出信号的功率最小。在线性约束最小方差自适应波束形成器的基础上，1982 年Griffiths 和Jim 提出了广义旁瓣消除器成为了许多算法的基本框架。 广义旁瓣消除器（GSC）的工作原理是带噪声的语音信号同时通过自适应通道和非自适应通道，自适应通道中的阻塞矩阵将有用信号滤除后产生仅包含多通道噪声参考信号，自适应滤波器根据这个参考信号得到噪声估计，最后由这个被估计的噪声抵消非自适应通道中的噪声分量，从而得到有用的纯净语音信号。 麦克风阵列的自适应算法通过迭代运算获取波束形成的最优权矢量时，噪声模型的估计是一个非常关键的因素。它的好坏直接影响着系统波束形成的性能。系统地分析了最小均方( LMS) 自适应语音增强算法，并针对阻塞矩阵在估计噪声时存在的缺陷，在该算法的基础上提出了一种利用最小值控制递归平均( MCRA) 来估计噪声的方法。将此方法应用于波束形成，MCRA 估计出的噪声使LMS 自适应语音增强的效果更好和抗噪性更强。 2.2基于固定波束形成的麦克风阵列语音增强 固定波束形成技术是最简单最成熟的一种波束形成技术。1985 年美国学者Flanagan 提出采用延时-相加波束形成方法进行麦克风阵列语音增强，该方法通过对各路麦克风接收到的信号添加合适的延时补偿，使得各路输出信号在某一方向上保持同步，并在该方向的入射信号获得最大增益。此方法易于实现，但要想获取较高的噪声抑制能力则需要增加麦克风数目，然而对非相干噪声没有抑制能力，环境适应性差，因此实际中很少单独使用。后来出现的微分麦克风阵列、超方向麦克风阵列和固定频率波束形成技术也属于固定波束形成。 采用可调波束形成器的ＧＳＣ麦克风阵列语言增强算法，其实质在ＧＳＣ结构中的固定波束形成器前端引入各通道可调时延补偿，构造可调波束形成器进行声源方位估计，从而在目标声源方位获取阶段即可利用阵列的空间增益来提高方位估计性能。延迟求和波束形成器主要目的是增强主瓣方向目标信号，而抑制其他方向的噪声信号。
Wiener 滤波器的设计及Matlab 仿真实现 1.实验原理 在许多实际应用中，人们往往无法直接获得所需的有用信号，能够得到的是退化了或失真了的有用信号。例如，在传输或测量信号s(n)时，由于存在信道噪声或测量噪声v(n)，接受或测量到的数据x(n)将与s(n)不同。为了从x(n)中提取或恢复原始信号s(n)，需要设计一种滤波器，对x(n)进行滤波，使它的输出y(n)尽可能逼近s(n)，成为s(n)的最佳 估计，即y(n) = )(?n s 。这种滤波器成为最优滤波器。 Wiener 滤波器是“理想”意义上的最优滤波器，有一个期望响应d(n)，滤波器系数的 设计准则是使滤波器的输出y(n)(也常用)(?n d 表示)是均方意义上对期望响应的最优线性估计。Wiener 滤波器的目的是求最优滤波系数],,,,,,[,1,0,1, k o o o o w w w w w -=，从而 使])(?)([])([)(2 2 n d n d E n e E n J -==最小。 通过正交性原理，导出 )()(k r k i r w xd x i oi -=-∑∞ -∞ =， 2,1,0,1,-=k 该式称为Wiener-Hopf 方程，解此方程，可得最优权系数},2,1,0,1,,{ -=i w oi 。 Wiener-Hopf 方程的矩阵形式为xd o x r w R =，解方程求得xd x o r R w 1 -= 2.设计思路 下面我们通过具体的例子来说明Wiener 滤波器的设计方法： 考虑如下图所示的简单通信系统。其中，产生信号S(n)所用的模型为 )95.01/(1)(11-+=z z H ，激励信号为)3.0,0(~)(WGN n w 。信号s(n)通过系统函数为)85.01/(1)(12--=z z H 的信道，并被加性噪声)1.0,0(~)(WGN n v 干扰，v(n)与w(n)不相 关。确定阶数M=2的最优FIR 滤波器，以从接收到的信号x(n) = z(n) + v(n)中尽可能恢复发送信号s(n)，并用MATLAB 进行仿真。
语音增强算法的研究与实现 目录 目 录 ..................................................................... ............................................................ I 河西学院本科生毕业论文(设计)诚信声 明 ................................... 错误～未定义书签。I 河西学院本科生毕业论文(设计)任务 书 ...................................... 错误～未定义书签。II 河西学院本科毕业论文(设计)开题报 告 ..................................... 错误～未定义书签。IV 摘 要 ..................................................................... .................................................................. I Abstract ........................................................... ....................................................................... I 1 引 言 ..................................................................... .. (1) 2 语音增强算法概 述 ..................................................................... (1)
附录 ADAPTIVE WIENER FILTERING APPROACH FOR SPEECH ENHANCEMENT M. A. Abd El-Fattah*, M. I. Dessouky , S. M. Diab and F. E. Abd El-samie # Department of Electronics and Electrical communications, Faculty ofElectronicEngineeringMenoufia University, Menouf, Egypt E-mails: * maro_zizo2010@https://www.doczj.com/doc/e29584887.html, , # fathi_sayed@https://www.doczj.com/doc/e29584887.html, ABSTRACT This paper proposes the application of the Wiener filter in an adaptive manner in speech enhancement. The proposed adaptive Wiener filter depends on the adaptation of thefilter transfer function from sample to sample based on the speech signal statistics(meanand variance). The adaptive Wiener filter is implemented in time domain rather than infrequency domain to accommodate for the varying nature of the speech signal. Theproposed method is compared to the traditional Wiener filter and spectral subtractionmethods and the results reveal its superiority. Keywords: Speech Enhancement, Spectral Subtraction, Adaptive Wiener Filter 1 INTRODUCTION Speech enhancement is one of the mostimportant topics in speech signal processing.Several techniques have been proposed for thispurpose like the spectral subtraction approach, thesignal subspace approach, adaptive noise cancelingand the iterative Wiener filter[1-5] . Theperformances of these techniques depend onquality and
FIR维纳滤波器的设计 在信号处理的许多实际应用中，人们往往不能直接获得所需要的有用信号，需要从噪声中提取信号。比如，在信号传输过程中，由于存在信道噪声等干扰，在接收端观测到的信号必然与原始信号不同。为了从观测数据中尽可能精确地重现原始信号，而最大成都地抑制噪声，需要设计一种滤波器，其输出尽可能逼近原始信号，成为原始信号的最佳估计。这种滤波器成为最佳滤波器。维纳(Wiener)滤波器就是用来解决这样一类问题的一种滤波器。本文将应用MATLAB并结合实例介绍FIR维纳滤波器的设计方法。 一、维纳滤波的原理 维纳滤波的本质是一种最佳估计问题，采用的是最小均方误差准则。一个线性系统，其单位样本响应为h(n)，当输入一个随机信号) ( ) ( ) (n n s n xυ + =其中s(n)表示信号，) (n υ表示噪声，则输出y(n)为 ∑-= m m n x m h n y) ( ) ( ) ( (1) 系统是通过y(n)来估计s(n)，因此将其称为s(n)的估计值，用) (?n s表示，即 ) (? ) (n s n y=(2) h(n) ) (? ) (n s n y= ) ( ) ( ) (n n s n xυ + = 图1 维纳滤波器基本框图 图1所示为维纳滤波器的基本框图。 式(1)为一卷积，可以理解为从当前和过去的观察值x(n)，x(n-1)，x(n-2)…x(n-m)，…来估计信号的当前值) (?n s。维纳滤波器一般有三种用途。用当前的和过去的观察值x(n)，x(n-1)，x(n-2)，…来估计当前的信号值) (? ) (n s n y=称为滤波；用过去的观察值来估计当前的或将来的信号值)0 )( (? ) (≥ + =N N n s n y称为预测；
- 29 - 基于麦克风阵列的语音增强算法概述 丁 猛 （海军医学研究所，上海 200433） 【摘 要】麦克风阵列语音增强技术是将阵列信号处理与语音信号处理相结合，利用语音信号的空间相位信息对语音信号进行增强的一种技术。文章介绍了各种基于麦克风阵列的语音增强基本算法，概述了各算法的基本原理，并总结了各算法的特点及其所适用的声学环境特性。 【关键词】麦克风阵列；阵列信号处理；语音增强 【中图分类号】TN911.7 【文献标识码】A 【文章编号】1008-1151(2011)03-0029-02 （一）引言 在日常生活和工作中，语音通信是人与人之间互相传递信息沟通不可缺少的方式。近年来，虽然数据通信得到了迅速发展，但是语音通信仍然是现阶段的主流，并在通信行业中占主导地位。在语音通信中，语音信号不可避免地会受到来自周围环境和传输媒介的外部噪声、通信设备的内部噪声及其他讲话者的干扰。这些干扰共同作用，最终使听者获得的语音不是纯净的原始语音，而是被噪声污染过的带噪声语音，严重影响了双方之间的交流。 应用阵列信号处理技术的麦克风阵列能够充分利用语音信号的空时信息，具有灵活的波束控制、较高的空间分辨率、高的信号增益与较强的抗干扰能力等特点，逐渐成为强噪声环境中语音增强的研究热点。美国、德国、法国、意大利、日本、香港等国家和地区许多科学家都在开展这方面的研究工作，并且已经应用到一些实际的麦克风阵列系统中，这些应用包括视频会议、语音识别、车载声控系统、大型场所的记录会议和助听装置等。 文章将介绍各种麦克风阵列语音增强算法的基本原理，并总结各个算法的特点及存在的局限性。 （二）常见麦克风阵列语音增强方法 1.基于固定波束形成的麦克风阵列语音增强 固定波束形成技术是最简单最成熟的一种波束形成技术。1985年美国学者Flanagan 提出采用延时-相加（Delay-and-Sum）波束形成方法进行麦克风阵列语音增强，该方法通过对各路麦克风接收到的信号添加合适的延时补偿，使得各路输出信号在某一方向上保持同步，并在该方向的入射信号获得最大增益。此方法易于实现，但要想获取较高的噪声抑制能力则需要增加麦克风数目，然而对非相干噪声没有抑制能力，环境适应性差，因此实际中很少单独使用。后来出现的微分麦克风阵列（Differential Microphone Arrays）、超方向麦克风阵列（Superairective Microphone Arrays ）和固定频率波束形成（Frequency-Invariant Beamformers） 技术也属于固定波束形成。 2.基于自适应波束形成器的麦克风阵列语音增强 自适应波束形成是现在广泛使用的一类麦克风阵列语音增强方法。最早出现的自适应波束形成算法是1972年由Frost 提出的线性约束最小方差（Linearly Constrained Minimum Variance,LCMV）自适应波束形成器。其基本思想是在某方向有用信号的增益一定的前提下，使阵列输出信号的功率最小。在线性约束最小方差自适应波束形成器的基础上，1982年Griffiths 和Jim 提出了广义旁瓣消除器（Generalized Sidelobe Canceller, GSC），成为了许多算法的基本框架（图1）。 图1 广义旁瓣消除器的基本结构 广义旁瓣消除器是麦克风阵列语音增强应用最广泛的技术，即带噪声的语音信号同时通过自适应通道和非自适应通道，自适应通道中的阻塞矩阵将有用信号滤除后产生仅包含多通道噪声参考信号，自适应滤波器根据这个参考信号得到噪声估计，最后由这个被估计的噪声抵消非自适应通道中的噪声分量，从而得到有用的纯净语音信号。 如果噪声源的数目比麦克风数目少，自适应波束法能得到很好的性能。但是随着干扰数目的增加和混响的增强，自适应滤波器的降噪性能会逐渐降低。 3.基于后置滤波的麦克风阵列语音增强 1988年Zelinski 将维纳滤波器应用在麦克风阵列延时—相加波束形成的输出端，进一步提高了语音信号的降噪效果，提出了基于后置滤波的麦克风阵列语音增强方法（图2）。基于后置滤波的方法在对非相干噪声抑制方面，不仅具有良好的效果，还能够在一定程度上适应时变的声学环境。它的基本原理是：假设各麦克风接收到的目标信号相同，接收到的噪声信号独立同分布，信号和噪声不相关，根据噪声特性， 【收稿日期】2010-12-30 【作者简介】丁猛（1983－），男，海军医学研究所研究实习员。
基本语音增强方法概述 摘要：语音增强是当今语音处理的一个非常重要的领域，本文主要介绍当今比较普遍的几种基于人耳掩蔽阈值的语音增强方法：谱减法，维纳滤波法，子空间方法等，并对它们的优缺点作简要论述。 关键词：语音增强、人耳掩蔽、谱减法、维纳滤波、子空间 现今时代的主流步伐将我们带向自动化方向，语音识别在这一背景下显得尤为重要。目前已经开发出好几款语音识别软件，但是如何较为精确地实现人耳的掩蔽效应下的语音增强，仍是大家着重解决的问题。它的首要目标就是在接收端尽可能从带噪语音信号中提取纯净的语音信号，改善其质量。目前已经出现了谱减法等一系列较为普遍的方法。本文将对这几种方法进行简要介绍。 一、语音的特性 语音信号是一种非平稳、时变的随机过程,其产生过程与发声器官的运动紧密相关。而发声器官的状态变化速度比声音振动的速度要缓慢得多,因此语音信号可以认为是短时平稳的。在一段短时间内其特性基本保持不变即相对稳定,从而可以应用平稳随机过程的分析方法来处理语音信号,并可以在语音增强中利用短时频谱的平稳特性。 人耳在嘈杂的环境中，仍然能够清晰地听到自己想听的内容，一个较弱的声音(被掩蔽音)的听觉感受被另一个较强的声音(掩蔽音)影响的现象称为人耳的“掩蔽效应”。被掩蔽音单独存在时的听阈分贝值，或者说在安静环境中能被人耳听到的纯音的最小值称为绝对闻阈。在进行机器语音识别的时候，由于干扰信号和目标信号的强度差别不大，导致机器无法识别。这时语音增强就显得特别重要了。 二、时域方法 此类方法主要依赖于语音生成模型(例如AR模型)的使用，需要提取模型参数(如基音周期、LPC系数等)，经常使用迭代方法。这种方法的最大缺点就是如果实际噪声或语音与模型有较大的差别，或者由于某些原因使得提取语音参数较困难，则这方法较容易失败。这类方法常用到一些滤波器，如梳状滤波器、维纳滤波器、卡尔曼滤波器等。 （1）经典的维纳滤波法是根据Winer-Hopf 积分方程求出纯语音和混合音
计算机系统应用 ISSN 1003-3254, CODEN CSAOBN E-mail: csa@https://www.doczj.com/doc/e29584887.html, Computer Systems & Applications,2017,26(11):124?131 [doi: 10.15888/https://www.doczj.com/doc/e29584887.html,ki.csa.006033]https://www.doczj.com/doc/e29584887.html, ?中国科学院软件研究所版权所有.Tel: +86-10-62661041基于改进能熵比的维纳滤波语音增强算法① 王 帅1,2, 蒲宝明2, 李相泽3, 张笑东1,2, 姚恺丰4 1(中国科学院大学, 北京 100049) 2(中国科学院沈阳计算技术研究所, 沈阳 110168) 3(东北大学计算机科学与工程学院, 沈阳 110819) 4(国家电网公司东北分部国网东北电力调控分中心, 沈阳 110180) 摘 要: 为了提高低信噪比环境下语音增强的效果、算法的鲁棒性. 在基于维纳滤波算法的基础上, 结合基于频域特征的语音端点检查算法, 提出了一种新的语音增强算法. 端点检测算法使用小波包ERB子带的谱熵和改进的频域能量的能熵比法. 其中, 小波包ERB子带的谱熵考虑了人耳听觉掩蔽模型和语音与噪声信号之间的频率分布之间的不同; 频域能量利用了有语音帧和无语音帧的能量不同. 维纳滤波算法实时采集语音数据并使用新的参数来区别无语音段和有语音段, 并在无语音段平滑更新噪声谱. 实验结果表明, 该端点检测算法能够很好的区分有语音段和无语音段, 这就使得在低信噪比的情况下语音增强效果得到了提升, 同时算法的鲁棒性和实时性也得到了保障.在与其他两种算法对比中, 得到了更好的语音增强效果. 关键词: 维纳滤波; 语音增强; 小波包ERB子带; 能熵比; 人耳掩蔽模型 引用格式: 王帅,蒲宝明,李相泽,张笑东,姚恺丰.基于改进能熵比的维纳滤波语音增强算法.计算机系统应用,2017,26(11):124–131. https://www.doczj.com/doc/e29584887.html,/1003-3254/6033.html Speech Enhancement Algorithm Using Wiener Filtering Based on Improved Energy to Entropy Ratio WANG Shuai1,2, PU Bao-Ming2, LI Xiang-Ze3, ZHANG Xiao-Dong1,2, YAO Kai-Feng4 1(University of Chinese Academy of Sciences, Beijing 100049, China) 2(Shenyang Institute of Computing Technology, Chinese Academy of Sciences, Shenyang 110168, China) 3(School of Computer Science and Engineering, Northeastern University, Shenyang 110819, China) 4(Northeast Branch of State Grid, Shenyang 110180, China) Abstract: In order to achieve the improved effectiveness of speech enhancement under low-SNR circumstance and the robustness of the algorithm, this paper puts forward a new speech enhancement algorithm which is based on wiener filtering algorithm combined with speech endpoint detection algorithm on account of frequency domain features. The endpoint detection algorithm adopts the ratio between spectrum entropy for wavelet packet ERB sub-band and energy entropy for improvement of frequency domain. Therein, the spectral entropy of wavelet packet ERB sub-band takes masking properties of human auditory and the difference between speech and noise signal frequency distribution into account; the frequency-domain energy takes advantages of the energy difference between voice-frames and non- voice-frames. In addition, the wiener filtering algorithm acquits real time data and uses the new parameters to distinguish voice segment and no-voice segment where noise spectrum is updated smoothly. At last, the experimental results demonstrate that the endpoint detection algorithm can be able to effectively distinguish between speech segments and no speech segments, leading to the improvement of speech enhancement in the case of low SNR and the guarantee of robustness as well as real-time of the algorithm. In contrast with the other two algorithms, the new approach to speech enhancement has a better effect. ①收稿时间: 2017-02-15; 修改时间: 2017-03-02; 采用时间: 2017-03-06 124软件技术·算法 Software Technique·Algorithm 万方数据
数字信号处理课程设计报告 题目：语音信号水印技术系统设计 系（院）: 专业： 班级： 学号： 姓名： 指导教师： 学年学期:2013 ~ 2014 学年第学期 2013年月日
摘要 随着网络和信息技术的发展，越来越多的数字多媒体信息通过网络进行传播，与传统的模拟媒体相比，数字媒体产品的编辑、复制和传播都很方便，它一方面促进了社会的进步与发展，另一方面正是这些优点突出了版权问题。由于数字多媒体信息很容易被未经授权的用户复制，且采用传统密码方法加密，不能完全解决盗版问题。 数字水印技术正是应运而生的信息隐藏技术，它通过特定的水印算法把版权信息嵌入在数字产品中，被嵌入的可以是一段文字、标识、序列号等等，人们无法从表面上感知水印的存在，只有专用的检测仪器或计算机软件才可以检测出隐藏的数字水印，从而达到了保护数字作品的所有者利益的目的，并促进了数字产品的开发与使用。在数字产品中，音频数据产品的版权保护也显得越来越重要，因为随着数字化音像制品和音乐制品的大量制作与发行，一个令人关注的突出问题是网上下载音乐对传统CD 业的巨大冲击。音频水印技术主要利用了人类听觉模型，在不影响音频信号质量的前提下，将水印信息隐藏在人耳不能感知的位置，来隐藏水印数据。本文主要研究语音信号水印技术，利用小波变换的优点和特性对音频信号嵌入水印，并提取。使嵌入水印音频想好具有良好的安全性，鲁棒性和不可感知性。 关键词数字水印嵌入提取小波变换
目录 1 课题综述 (1) 1.1数字水印技术的介绍 (1) 1.2 数字水印设计原理 (2) 2系统分析与设计 (3) 2.1涉及基础知识 (3) 2.2算法的流程图 (5) 2.3算法实现 (5) 3代码编写 (7) 3.1主要代码 (7) 3.2程序调试 (10) 3.3程序运行与测试 (10) 结论 (14) 致谢 (16) 参考文献 (17)
实验一 维纳滤波 1. 实验内容 设计一个维纳滤波器： （1） 产生三组观测数据，首先根据()(1)()s n as n w n =-+产生信号()s n ，将其加噪，（信噪比分别为20,10,6dB dB dB ），得到观测数据123(),(),()x n x n x n 。 （2） 估计()i x n ，1,2,3i =的AR 模型参数。假设信号长度为L ，AR 模型阶数为N ，分析实验结果，并讨论改变L ，N 对实验结果的影响。 2. 实验原理 滤波目的是从被噪声污染的信号中分离出有用的信号来，最大限度地抑制噪声。对信号进行滤波的实质就是对信号进行估计。滤波问题就是设计一个线性滤波器，使得滤波器的输出信号()y n 是期望响应()s n 的一个估计值。下图就是观测信号的组成和信号滤波的一般模型。 观测信号()()()x n s n v n =+ 信号滤波的一般模型 维纳滤波解决从噪声中提取信号的滤波问题，并以估计的结果与真值之间的误差均方值最小作为最佳准则。它根据()()(),1, ,x n x n x n m --估计信号的当前 值，它的解以系统的系统函数()H z 或单位脉冲()h n 形式给出，这种系统常称为最佳线性滤波器。 维纳滤波器设计的任务就是选择()h n ，使其输出信号()y n 与期望信号()d n 误差的均方值最小。
假设滤波系统()h n 是一个线性时不变系统，它的()h n 和输入信号都是复函数，设 ()()()h n a n jb n =+ 0,1, n = 考虑系统的因果性，可得到滤波器的输出 ()()()()()0 *m y n h n x n h m x n m +∞ ===-∑ 0,1, n = 设期望信号()d n ，误差信号()e n 及其均方误差()2 E e n ???? 分别为 ()()()()()e n d n y n s n y n =-=- ()()()()()()22 2 0m E e n E d n y n E d n h m x n m ∞=?? ????=-=--????? ????? ∑ 要使均方误差为最小，需满足： ()() 2 0E e n h j ?????=? 整理得()()0E x n j e n *??-=??，等价于()()0E x n j e n * ??-=?? 上式说明，均方误差达到最小值的充要条件使误差信号与任一进入估计的输入信号正交，这就是正交性原理。 将()()0E x n j e n * ??-=??展开，得 ()()()()00m E x n k d n h m x m +∞ *** =????--=?? ???? ?∑ 整理得 ()()()0 dx xx m r k h m r m k +∞ *=-=-∑ 0,1,2, k = 等价于()()()()()0 dx xx xx m r k h m r k m h k r k +∞ ==-=*∑ 0,1,2, k = 此式称为维纳-霍夫（Wiener-Holf ）方程。解此方程可得到最优权系数 012,,, h h h ，此式是Wiener 滤波器的一般方程。 定义
多通道语音增强方法简介 【摘要】由于多麦克风越来越多地部署到同一个设备上，基于双麦克风和麦克风阵列的多通道语音增强研究有了较大的应用价值。介绍了自适应噪声对消法、FDM等双通道语音增强方法和波束形成、独立分量分析等麦克风阵列语音增强方法，对各个方法的原理、发展和优缺点进行了详细分析和总结，对多通道语音增强深入研究有一定帮助。 【关键词】语音增强；双通道；麦克风阵列；波束形成 1.引言 语音是人们通讯交流的主要方式之一。我们生活的环境中不可避免地存在着噪声，混入噪声的语音会使人的听觉感受变得糟糕，甚至影响人对语音的理解。在语音编码、语音识别、说话人识别等系统中，噪声也会严重影响应用的效果。语音增强成为研究的一个问题，其模型如图1所示。 图1 语音增强模型 按照采集信号的麦克风数量分类，语音增强方法可被分为单通道（single channel）、双通道（dual-channel）、麦克风阵列（microphone array）三种类型。一般来说，麦克风越多，去噪的效果越好。早期，大部分通信/录音终端都只配有一个麦克风，因此单通道语音增强吸引了大量研究者的目光，方法较为成熟。但单通道方法的缺点是缺少参考信号，噪声估计难度大，增强效果受到限制。近年来随着麦克风设备的小型化和成本的降低，双麦克风和麦克风阵列越来越多地被部署。研究者的注意力也在从单通道语音增强向双通道和麦克风阵列语音增强转移，这里对已有的多通道语音增强算法作以简单介绍。 2.双通道语音增强方法 在语音增强中，一个关键的问题就是获得噪声。在单通道语音增强中，噪声是通过从带噪语音信号中估计得到的，估计算法较为复杂且估计噪声总是与真实噪声存在差异，这就限制了增强效果的提高。为了获得真实噪声，简单的做法就是增加一个麦克风来采集噪声。从带噪语音信号中减去采集噪声来得到语音信号，这种方法叫做自适应噪声对消法（ANC，adaptive noise canceling），是最原始的最简单的双通道语音增强算法。针对双麦克风开发的算法不多，主要有噪声对消法、一阶差分麦克风（FDM，first-order differential microphone）及基于FDM 改进得到的自适应零陷波束形成法（ANF，adaptive null-forming）。 2.1 自适应噪声对消法 噪声对消法采用两个麦克风，一个麦克风采集带噪语音，另一个采集噪声信号，用带噪信号减去噪声信号，得到语音信号。减操作一般在频域进行，如果采
毕业设计文献综述 电子信息科学与技术 语音处理技术研究 【摘要】：语音处理技术是对语音信号进行采集、压缩、滤波、增强等技术的集合定义。该技术是计算机音频系统的核心，在军事、医学、通信等领域都有较为广泛的应用。本文介绍了语音处理技术研究现状及发展前景。通过对三种主要音频滤波技术的对比和研究归纳，总结了每种技术的特点及适用范围，阐述了语音处理技术的发展方向。 【关键词】：数字信号处理；语音信号处理；音频滤波 一、背景 1.1语音处理技术技术 集就是把这种声波信号经语音信号是一种频率变化范围较宽(16～3000 Hz)的机械波。语音采[]1 过麦克风和高频放大器转换成具有一定幅度的模拟量电信号，再经离散化变成数字量，成为计算机 理，确定语音信号的采样频率。语音处理技术的研究结果能贮存和处理的信号。根据香农采样定[]2 表明：特定的语音信号是由其过零率、帧能量、频谱构成等多因素决定的。 音频是个专业术语，人类能够听到的所有声音都称之为音频。声音是一种模拟信号，它可能包波是语音分析系统中的关键环节，是当今社会前沿技术之一。为了获得更高含各种噪音。音频滤[]3 的音频质量，我们必须对声音中包含的噪声通过某种方法进行滤除，剩下的就是我们所需要的有用信号。这种滤除噪声的方法既为我们今天要讨论的音频滤波技术。 1.2语音处理技术的研究现状 语音处理技术在计算机软硬软件的相结合的方式下，通过几十年的探索，其研究和开发正进入一个黄金时代。在世界发达国家制定的高技术发展规划中，语音处理技术的地位十分引人注目。20世纪60年代中期形成的一系列数字信号处理的理论与算法，如数字滤波器、快速傅里叶变换（FFT）的等语音信号处理的理论与技术基础。随着信息技术的飞速发展，语音信号处理取得了重大进展。 术（LPC），并成为进入70年代之后，提出了用于语音信号的信息压缩和特性提取的线性预测技[]4 语音信号处理最强有力的工具。80年代初，一种新的基于聚类分析的高效数据压缩技术—矢量量化 型（HMM）描述语音信号过程的产生时80年代（VQ）应用于语音信号处理中，而用隐马尔科夫模[]5 语音信号处理技术的重大发展。近年来人工神经网（ANN）的研究取得了迅速发展，语音信号处理技
西安电子科技大学 统计与自适应信号处理仿真 学院： 班级： 学号： 姓名： 2013年12月
FIR 维纳滤波器 1维纳滤波原理概述 维纳（Wiener ）是用来解决从噪声中提取信号的一种过滤（或滤波）方法。这种线性滤波问题，可以看做是一种估计问题或一种线性估计问题。一个线性系统，如果它的单位样本响应为)(n h ，当输入一个随机信号)(n x ，且 )()()(n v n s n x += （1） 其中)(n x 表示信号，)(n v )表示噪声，则输出)(n y 为 ∑-= m m n x m h n y )()()( （2） 我们希望)(n x 通过线性系统)(n h 后得到的)(n y 尽量接近于)(n s ，因此称 )(n y 为)(n s 的估计值，用^ )(n s 表示，即 ^ )()(n s n y = （3） 则维纳滤波器的输入—输出关系可用下面图1表示。 图1 维纳滤波器的输入—输出关系 实际上，式（2）所示的卷积形式可以理解为从当前和过去的观察值)(n x ， )1(-n x ，)2(-n x …)(m n x -，…来估计信号的当前值^ )(n s 。因此，用)(n h 进行 过滤问题实际上是一种统计估计问题。 一般地，从当前的和过去的观察值)(n x ，)1(-n x ，)2(-n x …估计当前的信号值^ )()(n s n y =成为过滤或滤波；从过去的观察值，估计当前的或者将来的信号值)0)(()(^ ≥+=N N n s n y 称为外推或预测；从过去的观察值，估计过去的信号值 )1)(()(^ >-=N N n s n y 称为平滑或内插。因此维纳滤波器又常常被称为最佳线性 过滤与预测或线性最优估计。这里所谓的最佳与最优是以最小均方误差为准则的。 如果我们分别以)(n s 与^ )(n s 表示信号的真实值与估计值，而用)(n e 表示他们
4G通信技术综述 移动通信技术已经历了三个主要发展阶段。每一代的发展都是技术的突破和观念的创新。第一代起源于20世纪80年代，主要采用模拟和频分多址(FDMA)技术。第二代(2G)起源于90年代初期，主要采用时分多址(TDMA)和码分多址(CDMA)技术。第三代移动通信系统(3G)可以提供更宽的频带，不仅传输话音，还能传输高速数据，从而提供快捷方便的无线应用。然而，第三代移动通信系统仍是基于地面标准不一的区域性通信系统，尽管其传输速率可高达2 Mb/s，但仍无法满足多媒体通信的要求，因此，第四代移动通信系统(4G)的研究随之应运而生。 一、4G通信技术的概念 4G的定义到目前为止依然有待明确，它的技术参数、国际标准、网络结构、乃至业务内容均未有明确说法。在2002年底Wi-Fi热潮中，Wi-Fi被视作4G技术。但4G技术的提倡者认为，4G与 Wi-Fi不同。 2004年6月，市场研究公司Forrester的分析师预测，4G移动服务将是3G与WiMax结合在一起的技术。4G将提供以太网的接入速度（如10Mb/s）,并且通过在一部手机中把3G和WiMax技术结合在一起,提供集成无线局域网和广域网的服务。WiMax（或者说是802.16标准）能够提供无线宽带网服务，最远距离可达30英里，速率大约是10 Mb/s。在2004年富士通发布的白皮书中，将WiMAX指为“4G”无线技术。 另外，也有很多专家对LAS-CDMA十分看好，认为LAS-CDMA代表着4G水平。 4G到底是什么样的技术呢？目前普遍描述如下： 4G是集3G与WLAN于一体，并能够传输高质量视频图像，它的图像传输质量与高清晰度电视不相上下。4G 系统能够以100Mb/s的速率下载，比目前的拨号上网快2000倍，上传的速度也能达到20Mb/s，并能够满足几乎所有用户对于无线服务的要求。而在用户最为关注的价格方面，4G与固定宽带网络在价格方面不相上下，而且计费方式更加灵活机动，用户完全可以根据自身的需求确定所需的服务。此外，4G可以在DSL 和有线电视调制解调器没有覆盖的地方部署，然后再扩展到整个地区。很明显，4G有着不可比拟的优越性。4G与3G之间的主要区别在于终端设备的类型、网络拓扑的结构以及构成网络的技术类型。终端设备除了手机之外应当包括头戴式话机、PDA终端、膝上机、手表式话机、电视机、游戏机、DVD、零售机，甚至宠物机等等，凡是人所能构想的和能够识别IP地址的无线电收发信机。其次，4G是由多种技术组成的，包括彼此似乎不相干的技术，如Wi-Fi、超宽带无线电、便携式电脑、软件无线电等技术构成的高速全球通网络。 与3G手机相比，4G手机的功能更强大，应用更广泛。4G手机智能化程度更高，通话只是最最基本的功能之一，更多的功能体现在多媒体应用方面。 二、4G通信的关键技术
摘要 本文介绍了维纳滤波的原理及其matlab 实现，以案例的形式展示FIR 维纳滤波的特性。 关键字：FIR 维纳滤波 Matlab 1.引言 滤波技术是信号分析、处理技术的重要分支，无论是信号的获取、传输，还是信号的处理和交换都离不开滤波技术，它对信号安全可靠和有效灵活地传递是至关重要的。信号分析检测与处理的一个十分重要的内容就是从噪声中提取信号，实现这种功能的有效手段之一是设计一种具有最佳线性过滤特性的滤波器，当伴有噪声的信号通过这种滤波器的时候，它可以将信号尽可能精确地重现或对信号做出尽可能精确的估计，而对所伴随噪声进行最大限度地抑制。维纳滤波器就是这种滤波器的典型代表之一。 2.维纳滤波概述 维纳（Wiener ）是用来解决从噪声中提取信号的一种过滤（或滤波）方法。这种线性滤波问题，可以看做是一种估计问题或一种线性估计问题。 一个线性系统，如果它的单位样本响应为)(n h ，当输入一个随机信号)(n x ，且 )()()(n v n s n x += （1） 其中)(n x 表示信号，)(n v )表示噪声，则输出)(n y 为 ∑-= m m n x m h n y )()()( （2） 我们希望)(n x 通过线性系统)(n h 后得到的)(n y 尽量接近于)(n s ，因此称)(n y 为)(n s 的估计值，用^ )(n s 表示，即 ^ )()(n s n y = （3） 则维纳滤波器的输入—输出关系可用下面图1表示。 图1 实际上，式（2）所示的卷积形式可以理解为从当前和过去的观察值)(n x ，)1(-n x ， )2(-n x …)(m n x -，…来估计信号的当前值^ )(n s 。因此，用)(n h 进行过滤问题实际上是 一种统计估计问题。 一般地，从当前的和过去的观察值)(n x ，)1(-n x ，)2(-n x …估计当前的信号值
语音增强算法的分类 现实环境中的噪声多种多样，特性各异，很难找到一种通用的语音增强算法适用于各种噪声的消除；同时语音增强算法与语音信号数字处理理论、人的听觉系统和语音学等学科紧密相关，这也促使人们必须根据不同的噪声源来选择不同的对策。以上原因使语音增强技术研究呈现百花齐放的局面。几十年来，许许多多的学者在这方面进行了不懈的努力，总结出了许多有效的方法。 根据信号输入的通道数，可将这些方法分为单通道的语音增强算法与多通道的语音增强算法。单通道的语音系统在现实生活中较常见，手机、耳麦等都属于单通道语音系统。这种情况下，语音与噪声同时存在于一个通道中，语音信号与噪声信号必须从同一个带噪语音中获得。这种系统一般要求信号中的噪声比较平稳，以便在无声段对噪声进行估计，再依据估计得到的噪声参数对有声段进行处理，得到增强语音。而多通道的语音系统中语音增强的一种算法是，利用各个通道的语音信号之间存在的某些相关性，对带噪语音信号进行处理，得到增强的语音。比如，在自适应噪声抵消法中采用了两个话筒作为输入，其中一个采集带噪的语音信号，另外一个采集噪声，从噪声通道所采集的噪声直接当作带噪语音中的噪声，并将它从带噪语音中减去即可。另一种多通道的语音增强算法是采用阵列信号，这种方法采用多个以一定方式排列的采集设备接收信号。由于不同的独立信号源与各个采集设备之间的距离不同，最后在各个接收设备中的合成信号也不同，再根据这些信号将各个独立信号分离出来。 按照所依据原理的不同，我们可以将语音增强分为以下几类： （1）参数方法 此类方法主要依赖于语音生成模型(例如AR模型)的使用，需要提取模型参数(如基音周期、LPC系数等)，经常使用迭代方法。这种方法的最大缺点就是如果实际噪声或语音与模型有较大的差别，或者由于某些原因使得提取语音参数较困难，则这方法较容易失败。这类方法常用到一些滤波器，如梳状滤波器、维纳滤波器、卡尔曼滤波器等。 （2）非参数方法 非参数方法不需要从带噪语音信号中估计语音模型参数，这就使得此类方法相对于参数方法而言应用较广。但由于没有利用可能的语言统计信息，故结果一般不是最优的。同时，我们知道，语音信号是非平稳的随机过程，但语音信号特性的缓慢变化使得在较短的时间(比如10～30ms)内，可以视其为平稳的，如果能从带噪语音的短时谱中估计出“纯净”语音的短时谱，即可达到语音增强的目的。由于人耳对语音的感知主要是通过语音信号中各频谱分量的幅度来获得的，而对各分量的相位并不敏感，因此，这类方法的重点是将估计的对象放在语音信号的短时谱幅度上。非参数方法主要包括谱减法、自适应滤波法等。 （3）统计方法 统计方法比较充分地利用了语音和噪声的统计特性，如语音信号可视不同情况和需要采用高斯模型、拉普拉斯模型以及伽玛模型等。此类方法一般是在建立了模型库后，经历一个训练过程来获得初始统计参数，并且在后续的工作过程中要根据实际的数据实时的更新这些统计参数，以使模型能更好的符合实际情况，它与语音系统的联系非常密切。这类方法里面主要包括最小均方误差估计(MMSE,Minimum Mean Square Error)、对数谱估计的最小均方误差(MMSE-LSA,Minimum Mean-Square Error Log-SpectralAmplitude)、听觉掩蔽效应（Masking Effect)等。 （4）多通道方法 多通道方法利用了更多的信息，包括空间信息，可以更好地滤除噪声、分离语音，但对硬件设备要求高，算法一般较复杂。噪声抵消法、延迟一相加波束形成器(delay-sum beamformer)、