CN101894561A - 一种基于小波变换和变步长最小均方算法的语音降噪方法 - Google Patents

Abstract

本发明涉及一种基于小波变换和变步长最小均方算法的语音降噪方法，技术特征在于：利用小波的时-频局部特性，减小自适应滤波器输入向量自相关阵特征值的分散程度，增加算法的步长因子；同时，通过建立步长因子与误差信号之间的非线性函数关系，使步长因子在初始阶段和时变阶段自适应增大，在稳态阶段自适应减小，这样既可保证较快的收敛速度和较小的失调，同时又具有一定的鲁棒性和抗噪性，因此，将小波变换和变步长最小均方算法相结合，可以得到更好的降噪效果。

Description

一种基于小波变换和变步长最小均方算法的语音降噪方法

技术领域

本发明涉及一种基于小波变换和变步长最小均方算法的语音降噪方法，可以应用于各类语音信号降噪处理系统。

背景技术

在语音通信过程中不可避免的会受到来自周围环境和传输媒介引入的噪声、通信设备内部电噪声乃至其他说话者的干扰。这些干扰最终使得收听者接收到的语音已经不是原始的纯净语音信号，而是受到噪声污染的含噪语音信号。自适应语音主动降噪技术作为控制低频噪声的有效手段，近年来得到了很大的发展。

自适应噪声抵消系统是自适应语音主动降噪技术的典型应用，它是一个具有二输入端的自适应滤波器：运行在参考传感器输入端的自适应滤波器用来估计噪声，然后从误差传感器输入中减去该噪声的估计值，对消器的总输出用来控制自适应滤波器中抽头权系数的调整。自适应噪声抵消系统的核心是自适应滤波算法。尽管目前国内外研究者在自适应滤波算法方面做了许多工作，并且提出了一些改进算法，但仍存在很多问题：(1)不能从根本上克服收敛速度和稳态误差之间的矛盾：步长因子大，则收敛速度快，但失调大；步长因子小，则失调小，但收敛速度慢；(2)算法对噪声比较敏感，只有在信噪比较高的环境中才有比较明显的降噪效果，而在信噪比较低的环境中，有明显的不足之处；(3)收敛速度对输入信号的自相关函数矩阵特征值的分布敏感：如果分布太散，即最大值与最小值差异太大，收敛速度就会很慢。所以，直接将现有的自适应滤波算法应用到降噪系统中会造成收敛速度慢、稳态误差大、计算效率低等问题。

发明内容

要解决的技术问题

为了避免现有技术的不足之处，本发明提出一种基于小波变换和变步长最小均方算法的语音降噪方法。

本发明的思想在于：利用小波的时-频局部特性，可以减小自适应滤波器输入向量自相关阵特征值的分散程度，大大增加算法的步长因子；同时，通过建立步长因子与误差信号之间的非线性函数关系，使步长因子在初始阶段和时变阶段自适应增大，在稳态阶段自适应减小，这样既可保证较快的收敛速度和较小的失调，同时又具有一定的鲁棒性和抗噪性，因此，将小波变换和变步长最小均方算法相结合，可以得到更好的降噪效果。

技术方案

一种基于小波变换和变步长最小均方算法的语音主动降噪方法，其特征在于：

步骤1预处理：对误差传感器输入端的含噪语音信号和参考传感器输入端的参考噪声信号分别进行离散采样和线性量化，然后利用汉明窗进行分帧处理，每帧P个采样点，帧间重叠Q个采样点，得到预处理后的N帧含噪语音信号d(m，n)和参考噪声信号x(m，n)；其中：m为含噪语音信号和参考噪声信号的帧号，m＝1，2，…，N；n为采样点在当前帧中所处的位置，n＝1，2，…，P；

步骤2小波变换：利用Mallat算法对预处理后的每一帧参考噪声信号分别进行小波变换，对预处理后的第m帧参考噪声信号进行小波变换得到小波变换系数

其中：L^m为预处理后的第m帧的参考噪声信号的低频子带信号，

为预处理后的第m帧的参考噪声信号在尺度t下的高频子带信号；t为小波变换的分解尺度，1≤t≤4；

步骤3自适应滤波：利用变步长最小均方算法对低频子带信号L^m和高频子带信号

分别进行自适应滤波，得到低频子带信号L^mF和高频子带信号

所述的自适应滤波的模型为：

其中：上标m表示预处理后的含噪语音信号和参考噪声信号的帧号，m＝1，2，…，N；下标n表示采样点在当前帧中所处的位置，P-Q+1≤n≤P；L包括下标L表示自适应滤波器的阶数，L≥2；F表示自适应滤波器参考传感器输入端的输入信号矢量，其大小为L×1；I^m表示输入端低频子带信号L^m或高频子带信号

上标T表示向量的转置；W表示自适应滤波器的权系数矢量，其大小为L×1；表示第m帧语音、第i阶的自适应滤波器的权系数，i＝1，2，…，L；Y表示自适应滤波器的输出；E表示自适应滤波器的误差信号；d表示自适应滤波器误差传感器输入端的输入信号；(m，n)表示语音信号中采样点的位置为第m帧第n点；μ为变步长最小均方算法的步长因子；exp表示指数函数；β为μ的放大系数，β＞0；α为外指数函数的衰减系数，α＞0；γ为内指数函数的衰减系数，γ≥1；P表示每一帧的总采样点数；Q表示相邻两帧间重叠的采样点数；

步骤4小波重构：将自适应滤波处理后得到的低频子带信号L^mF和高频子带信号

进行小波重构，得到自适应滤波器的输出y(m，n)；所述的P-Q+1≤n≤P；

步骤5降噪输出：将预处理后的每一帧含噪语音信号d(m，n)减去与之对应的小波重构后的输出信号y(m，n)，得到降噪后的语音e(m，n)＝d(m，n)-y(m，n)。

有益效果

本发明提出的基于小波变换和变步长最小均方算法的语音主动降噪方法，利用小波变换对语音信号进行分解，可以获得语音信号在不同分辨率下的低频和高频信息，减小了自适应滤波器输入向量自相关阵特征值的分散程度；同时，与改进的变步长最小均方算法相结合，既可保证较快的收敛速度和较小的失调，提高了计算效率，同时又具有一定的鲁棒性和抗噪性。因此，将小波变换和自适应滤波相结合，可以得到更好的降噪效果。

附图说明

图1：本发明方法的基本流程图

图2：基于小波变换和变步长最小均方算法的语音主动降噪方法的原理图

     (a)基于小波变换和变步长最小均方算法的语音主动降噪方法原理框图

     (b)横向型自适应滤波器结构图

图3：使用本方法完成自适应语音降噪的例子

(a)原始纯净语音信号

(b)参考噪声信号

(c)信噪比为-5dB的含噪语音信号

(d)基于最小均方算法降噪后的输出语音信号

(e)基于递归最小二乘算法降噪后的输出语音信号

(f)基于小波变换和变步长最小均方算法降噪后的输出语音信号

具体实施方式

现结合实施例、附图对本发明作进一步描述：

用于实施的硬件环境是：AMD Athlon(tm)2.60G计算机、2.00GB内存、128M显卡，运行的软件环境是：Matlab7.0和Windows XP。我们用Matlab软件实现了本发明提出的方法。纯净语音选自863中文语音识别语料库，噪声取自NOISEX-92数据库中喷气式飞机驾驶舱的非平稳噪声信号，将纯净语音和噪声按比例线性相加生成信噪比为-5dB的含噪语音信号。

本发明具体实施如下：

1、预处理：对时长为5秒的含噪语音信号和参考噪声信号分别进行8kHz采样(共40000个采样点)，16位线性量化；然后对两种不同信号分别加汉明窗进行分帧处理，每帧256个采样点，帧间重叠128个采样点，含噪语音信号和参考噪声信号各有311帧；

2、小波变换：采用Mallat算法对预处理后的参考噪声信号进行四层离散小波变换，对预处理后的第m帧的参考噪声信号得到小波变换系数

L^m为预处理后的第m帧的参考噪声信号的低频子带信号，

为预处理后的第m帧的参考噪声信号在尺度t下的高频子带信号，这里，m＝1，2，…，311，t＝1，2，3，4；

二进离散小波变换公式为：

$\mathrm{Wf}(s,u)=2^{-j/2}{\∫}_{-\∞}^{+\∞}f\left(t\right){\mathrm{\ψ}}^{*}\left(2^{-j}(t-u)\right)\mathrm{dt}$

3、自适应滤波：利用变步长最小均方算法对低频子带信号L^m和高频子带信号

分别进行自适应滤波，得到滤波后的低频子带信号L^mF和高频子带信号

自适应滤波的模型为：

对低频子带信号L^m(m＝1，2，…，311)，令自适应滤波器参考传感器输入端的输入I^m(n)＝L^m(n)，设定L＝4，β＝0.2，α＝1000，γ＝2，初始n＝P-Q+1＝129，

然后，按自适应滤波的模型进行迭代，求出滤波器的输出

得到滤波后的低频子带信号L^mF；

对分解尺度1下的高频子带信号

(m＝1，2，…，311)，令自适应滤波器的参考传感器输入端的输入

设定L＝4，β＝0.2，α＝1000，γ＝2，初始n＝P-Q+1＝129，

然后，按自适应滤波的模型进行迭代，求出滤波器的输出得到滤波后的分解尺度1下的高频子带信号

对其他的分解尺度t(t＝1，2，3，4)下的高频子带信号

按照上述过程计算得到滤波后的高频子带信号

4、小波重构：将自适应滤波处理后得到的低频子带信号L^mF和高频子带信号

进行小波重构，得到自适应滤波器的输出y(m，n)；

5、降噪输出：将预处理后的每一帧含噪语音信号d(m，n)减去与之对应的小波重构后的输出信号y(m，n)，得到最终的降噪后的语音e(m，n)；

图3为待处理的信噪比为-5dB的含噪语音和自适应降噪处理后的时域波形图。同时，针对输入信噪比分别为-10dB、-5dB、0dB的含噪语音，将本发明所得的降噪结果与其他降噪方法所得的降噪结果进行对比，评价结果如表1所示。语音信号信噪比的大小表明了混在信号里的噪声多少，信噪比越大，说明混在信号里的噪声越小，声音回放的音质量越高，否则相反。

表1降噪结果评价(单位：dB)

Claims (1)

1.一种基于小波变换和变步长最小均方算法的语音主动降噪方法，其特征在于：

步骤1预处理：对误差传感器输入端的含噪语音信号和参考传感器输入端的参考噪声信号分别进行离散采样和线性量化，然后利用汉明窗进行分帧处理，每帧P个采样点，帧间重叠Q个采样点，得到预处理后的N帧含噪语音信号d(m，n)和参考噪声信号x(m，n)；其中：m为含噪语音信号和参考噪声信号的帧号，m＝1，2，…，N；n为采样点在当前帧中所处的位置，n＝1，2，…，P；

步骤2小波变换：利用Mallat算法对预处理后的每一帧参考噪声信号分别进行小波变换，对预处理后的第m帧参考噪声信号进行小波变换得到小波变换系数其中：L^m为预处理后的第m帧的参考噪声信号的低频子带信号，

为预处理后的第m帧的参考噪声信号在尺度t下的高频子带信号；t为小波变换的分解尺度，1≤t≤4；

步骤3自适应滤波：利用变步长最小均方算法对低频子带信号L^m和高频子带信号

分别进行自适应滤波，得到低频子带信号L^mF和高频子带信号

所述的自适应滤波的模型为：

其中：上标m表示预处理后的含噪语音信号和参考噪声信号的帧号，m＝1，2，…，N；下标n表示采样点在当前帧中所处的位置，P-Q+1≤n≤P；L包括下标L表示自适应滤波器的阶数，L≥2；F表示自适应滤波器参考传感器输入端的输入信号矢量，其大小为L×1；I^m表示输入端低频子带信号L^m或高频子带信号

上标T表示向量的转置；W表示自适应滤波器的权系数矢量，其大小为L×1；

表示第m帧语音、第i阶的自适应滤波器的权系数，i＝1，2，…，L；Y表示自适应滤波器的输出；E表示自适应滤波器的误差信号；d表示自适应滤波器误差传感器输入端的输入信号；(m，n)表示语音信号中采样点的位置为第m帧第n点；μ为变步长最小均方算法的步长因子；exp表示指数函数；β为μ的放大系数，β＞0；α为外指数函数的衰减系数，α＞0；γ为内指数函数的衰减系数，γ≥1；P表示每一帧的总采样点数；Q表示相邻两帧间重叠的采样点数；

步骤4小波重构：将自适应滤波处理后得到的低频子带信号L^mF和高频子带信号进行小波重构，得到自适应滤波器的输出y(m，n)；所述的P-Q+1≤n≤P；

步骤5降噪输出：将预处理后的每一帧含噪语音信号d(m，n)减去与之对应的小波重构后的输出信号y(m，n)，得到降噪后的语音e(m，n)＝d(m，n)-y(m，n)。

Images