CN108154885A - 一种使用qr-rls算法对多通道语音信号去混响方法 - Google Patents

一种使用qr-rls算法对多通道语音信号去混响方法 Download PDF

Info

Publication number
CN108154885A
CN108154885A CN201711353578.5A CN201711353578A CN108154885A CN 108154885 A CN108154885 A CN 108154885A CN 201711353578 A CN201711353578 A CN 201711353578A CN 108154885 A CN108154885 A CN 108154885A
Authority
CN
China
Prior art keywords
signal
reverberation
coefficient
voice
desired signal
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Pending
Application number
CN201711353578.5A
Other languages
English (en)
Inventor
孙旭光
周翊
王贤祥
黄张翼
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Chongqing University of Post and Telecommunications
Original Assignee
Chongqing University of Post and Telecommunications
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Chongqing University of Post and Telecommunications filed Critical Chongqing University of Post and Telecommunications
Priority to CN201711353578.5A priority Critical patent/CN108154885A/zh
Publication of CN108154885A publication Critical patent/CN108154885A/zh
Pending legal-status Critical Current

Links

Classifications

    • G—PHYSICS
    • G10—MUSICAL INSTRUMENTS; ACOUSTICS
    • G10L—SPEECH ANALYSIS OR SYNTHESIS; SPEECH RECOGNITION; SPEECH OR VOICE PROCESSING; SPEECH OR AUDIO CODING OR DECODING
    • G10L21/00—Processing of the speech or voice signal to produce another audible or non-audible signal, e.g. visual or tactile, in order to modify its quality or its intelligibility
    • G10L21/02—Speech enhancement, e.g. noise reduction or echo cancellation
    • G10L21/0208—Noise filtering
    • G—PHYSICS
    • G10—MUSICAL INSTRUMENTS; ACOUSTICS
    • G10L—SPEECH ANALYSIS OR SYNTHESIS; SPEECH RECOGNITION; SPEECH OR VOICE PROCESSING; SPEECH OR AUDIO CODING OR DECODING
    • G10L21/00—Processing of the speech or voice signal to produce another audible or non-audible signal, e.g. visual or tactile, in order to modify its quality or its intelligibility
    • G10L21/02—Speech enhancement, e.g. noise reduction or echo cancellation
    • G10L21/0208—Noise filtering
    • G10L21/0216—Noise filtering characterised by the method used for estimating noise
    • G10L21/0224—Processing in the time domain
    • G—PHYSICS
    • G10—MUSICAL INSTRUMENTS; ACOUSTICS
    • G10L—SPEECH ANALYSIS OR SYNTHESIS; SPEECH RECOGNITION; SPEECH OR VOICE PROCESSING; SPEECH OR AUDIO CODING OR DECODING
    • G10L21/00—Processing of the speech or voice signal to produce another audible or non-audible signal, e.g. visual or tactile, in order to modify its quality or its intelligibility
    • G10L21/02—Speech enhancement, e.g. noise reduction or echo cancellation
    • G10L21/0208—Noise filtering
    • G10L21/0216—Noise filtering characterised by the method used for estimating noise
    • G10L21/0232—Processing in the frequency domain
    • G—PHYSICS
    • G10—MUSICAL INSTRUMENTS; ACOUSTICS
    • G10L—SPEECH ANALYSIS OR SYNTHESIS; SPEECH RECOGNITION; SPEECH OR VOICE PROCESSING; SPEECH OR AUDIO CODING OR DECODING
    • G10L21/00—Processing of the speech or voice signal to produce another audible or non-audible signal, e.g. visual or tactile, in order to modify its quality or its intelligibility
    • G10L21/02—Speech enhancement, e.g. noise reduction or echo cancellation
    • G10L21/0272—Voice signal separating
    • G10L21/0308—Voice signal separating characterised by the type of parameter measurement, e.g. correlation techniques, zero crossing techniques or predictive techniques
    • G—PHYSICS
    • G10—MUSICAL INSTRUMENTS; ACOUSTICS
    • G10L—SPEECH ANALYSIS OR SYNTHESIS; SPEECH RECOGNITION; SPEECH OR VOICE PROCESSING; SPEECH OR AUDIO CODING OR DECODING
    • G10L25/00—Speech or voice analysis techniques not restricted to a single one of groups G10L15/00 - G10L21/00
    • G10L25/03—Speech or voice analysis techniques not restricted to a single one of groups G10L15/00 - G10L21/00 characterised by the type of extracted parameters
    • G10L25/21—Speech or voice analysis techniques not restricted to a single one of groups G10L15/00 - G10L21/00 characterised by the type of extracted parameters the extracted parameters being power information
    • G—PHYSICS
    • G10—MUSICAL INSTRUMENTS; ACOUSTICS
    • G10L—SPEECH ANALYSIS OR SYNTHESIS; SPEECH RECOGNITION; SPEECH OR VOICE PROCESSING; SPEECH OR AUDIO CODING OR DECODING
    • G10L25/00—Speech or voice analysis techniques not restricted to a single one of groups G10L15/00 - G10L21/00
    • G10L25/27—Speech or voice analysis techniques not restricted to a single one of groups G10L15/00 - G10L21/00 characterised by the analysis technique
    • G—PHYSICS
    • G10—MUSICAL INSTRUMENTS; ACOUSTICS
    • G10L—SPEECH ANALYSIS OR SYNTHESIS; SPEECH RECOGNITION; SPEECH OR VOICE PROCESSING; SPEECH OR AUDIO CODING OR DECODING
    • G10L21/00—Processing of the speech or voice signal to produce another audible or non-audible signal, e.g. visual or tactile, in order to modify its quality or its intelligibility
    • G10L21/02—Speech enhancement, e.g. noise reduction or echo cancellation
    • G10L21/0208—Noise filtering
    • G10L2021/02082—Noise filtering the noise being echo, reverberation of the speech

Abstract

本发明涉及一种使用QR‑RLS算法对多通道语音信号去混响方法，属于信号处理技术领域。该方法将采集得到的带混响语音信号进行短时傅里叶变换，并在频域对输入信号进行延迟处理，通过混响时间T60计算混响语音信号的衰减常数Δ，从而估计出晚期混响信号和期望信号的功率谱密度；然后根据得到的期望信号功率谱密度的估计值计算期望信号2范数的加权系数；最后将延迟信号和带混响语音信号作为QR‑RLS算法的输入数据，对其进行迭代更新，最后输出预测滤波器系数。本发明有效避免了当输入信号不具有一致性激励性时，自相关矩阵及其对应的求逆问题是病态的问题；使在病态环境下可以很容易的随时检查变换信息矩阵的正定性，从而有效提升了去混响系统中自适应模块的稳定性。

Description

一种使用QR-RLS算法对多通道语音信号去混响方法
技术领域
本发明属于信号处理技术领域，涉及一种使用QR-RLS算法对多通道语音信号去混响方法。
背景技术
房间的混响问题严重的影响了语音的质量和识别系统的识别率。近年来，发展出很多的去混响算法来解决这一问题，比如波束形成技术(beamforming)和房间传输函数的逆滤波技术等。然而这些方法需要精确的DOA(direction of arrival)估计或者房间的声学参数等，因此，这些算法性能有限。
去混响技术可以根据是否需要对声学冲激响应进行估计来分类。于是把去混响技术分为混响抑制和混响消除，前者不需要估计冲激响应，而后者需要冲激响应的估计。混响抑制技术是基于以下假设：①混响是一个加性过程，②目标信号与混响信号不相关，③混响信号模型服从正态分布。混响抑制可以继续分为五大类，分别为：语音建模技术、线性预测残留增强技术、时域包络滤波技术、谱增强技术和空间处理技术。混响消除技术可以看作是冲激响应逆滤波问题。而该技术又可以继续分为：盲反卷积技术，同态解卷积技术和基于调和的去混响技术等。
现阶段使用比较广泛的去混响技术就是WPE(weighted prediction error)技术。在WPE中，MCLP(multi-channel linear predictor)被用在STFT域通过混响语音的前几帧来估计晚期混响成分。然后将混响语音与晚期混响作差，即可得到增强后的语音信号。该方法认为STFT参数独立同服从高斯分布，预测滤波器的系数在每一帧中通过最大似然估计的方法计算。
另一种基于MCLP去混响的算法是利用语音的稀疏性来实现的，使期望信号在STFT域的最大稀疏性达到去混响的目的。在此基础上产生了使用RLS算法自适应去混响的方法，但是由于RLS计算复杂度高，数值不稳定等特性，当房间的冲激响应或者声源发生移动时，去混响的效果往往不是很理想。因此，需要一种使用QR-RLS算法对语音信号去混响方法。
发明内容
有鉴于此，本发明的目的在于提供一种使用QR-RLS算法对多通道语音信号去混响方法，采用QR-RLS算法来代替基于MCLP方法中的RLS算法，改善自适应去混响算法在收敛速度不变的基础上提高数值的稳定性，并且避免RLS算法中的求逆运算，使得当房间冲激响应或者声源发生移动时，可以有效的提高去混响系统的稳定性。
为达到上述目的，本发明提供如下技术方案，具体包括以下步骤：
步骤1：使用多个全指向性麦克风在封闭房间内采集带混响的语音信号；
步骤2：使用赛宾公式估计房间的混响时间T60，即直达声声压级下降60dB对应的时间，计算公式如下：
其中，α为房间吸声系数，V和S分别为房间的体积和表面积；
步骤3：将采集得到的带混响语音信号进行短时傅里叶变换，把信号由时域转化为频域，并在频域对带混响语音信号进行延迟处理得到延迟信号，延迟信号延迟的阶数由预测滤波器的长度决定；
步骤4：通过混响时间T60计算混响语音信号的衰减常数Δ，从而估计出晚期混响信号和期望信号的功率谱密度，Δ的计算公式如下：
其中，Td为语音早期反射成分的时间；
步骤5：根据步骤4得到的期望信号功率谱密度的估计值计算期望信号2范数的加权系数；
步骤6：将延迟信号和带混响语音信号作为QR-RLS算法的输入数据，对其进行迭代更新，最后输出预测滤波器系数；
步骤7：将延迟信号与预测滤波器系数相乘得到晚期混响信号，带混响语音信号减去晚期混响信号等于去混响后的期望信号，对去混响后的期望信号进行逆傅里叶变换，得到时域上的去混响后的期望信号。
进一步，所述步骤4中，采用多个间隔一定距离的麦克风对混响语音进行采集，产生多通道的带混响语音数据，采用多通道线性预测(MCLP)模型对晚期混响信号进行建模，晚期混响信号成分u(n)即为延迟麦克风信号的和，即：
其中G(n)＝[g1(n),…,gM(n)]代表多输入多输出预测滤波器的预测系数，gM(n)为第M个麦克风的预测系数，为延迟后的带混响数据。
进一步，所述步骤4中，晚期混响信号和期望信号的功率谱密度的估计：
假设晚期混响信号的功率谱密度是基于指数衰减的模型，首先计算衰减系数Δ，估计房间的混响时间T60、语音早期反射成分的时间Td；然后估计晚期混响信号和带混响语音信号的PSD，两者相减得到期望信号的PSD；在期望信号PSD的计算中需要对其平滑处理。
进一步，所述步骤5中，计算期望信号2范数的加权系数；
线性预测滤波器系数估计基于期望信号在时域的最大稀疏性，即期望信号的混合p范数；预测滤波器系数的最优化问题使用QR-RLS算法来解决，使用加权2范数来近似表示p范数，加权2范数的权系数依赖于期望信号PSD，则期望信号2范数的加权系数计算公式如下：
其中，M是麦克风的数量，ε是非常小的正数，p是范数，是期望信号的PSD估计值。
进一步，所述步骤6中，QR-RLS算法自适应计算预测滤波器的系数：
首先对QR-RLS算法中的参数进行初始化，对输入数据的矩阵进行对角化，通过基本的Givens旋转矩阵得到所有的三角化矩阵；计算Givens旋转元素，将旋转元素分别用于信息矩阵和期望的信息向量，应用Givens旋转余弦元素计算误差信号，最后通过迭代更新的方式得到预测滤波器的预测系数。
本发明的有益效果在于：在收敛速度不变的基础上，充分利用QR-RLS算法的数值稳定性特性，有效避免了当输入信号不具有一致性激励性时，自相关矩阵及其对应的求逆问题是病态的问题；而且QR-RLS算法采用的QR分解方法避免了RLS问题不准确求解问题，在病态环境下可以很容易的随时检查变换信息矩阵的正定性，从而有效提升了去混响系统中自适应模块的稳定性。
附图说明
为了使本发明的目的、技术方案和有益效果更加清楚，本发明提供如下附图进行说明：
图1为多通道线性预测模型图；
图2为使用QR-RLS算法去语音混响的流程图。
具体实施方式
下面将结合附图，对本发明的优选实施例进行详细的描述。
图2为使用QR-RLS算法去语音混响的流程图，一种使用QR-RLS算法对多通道语音信号去混响方法的具体实施步骤包括：
步骤1：使用两个全指向性麦克风在封闭房间内采集带混响的语音信号；
步骤2：使用赛宾公式估计房间的混响时间T60，即直达声声压级下降60dB对应的时间，计算公式如下：
其中，α为房间吸声系数，V和S分别为房间的体积和表面积；
步骤3：将采集得到的带混响语音信号进行短时傅里叶变换，把信号由时域转化为频域，并在频域对带混响语音信号进行延迟处理得到延迟信号，延迟信号延迟的阶数由预测滤波器的长度决定；
步骤4：通过混响时间T60计算混响语音信号的衰减常数Δ，从而估计出晚期混响信号和期望信号的功率谱密度，Δ的计算公式如下：
其中，Td为语音早期反射成分的时间。
采用两个间隔一定距离的麦克风对混响语音进行采集，产生两通道的带混响语音数据，采用多通道线性预测(MCLP)模型对晚期混响信号进行建模，晚期混响信号成分u(n)即为延迟麦克风信号的和，即：
其中G(n)＝[g1(n),…,gM(n)]代表多输入多输出预测滤波器的预测系数，gM(n)为第M个麦克风的预测系数，为延迟后的带混响数据，原理图如图1，使用过去的信号来估计当前信号。
晚期混响信号和期望信号的功率谱密度的估计：假设晚期混响信号的功率谱密度是基于指数衰减的模型，首先计算衰减系数Δ，估计房间的混响时间T60、语音早期反射成分的时间Td；然后估计晚期混响信号和带混响语音信号的PSD，两者相减得到期望信号的PSD；在期望信号PSD的计算中需要对其平滑处理。
步骤5：根据步骤4得到的期望信号功率谱密度的估计值计算期望信号2范数的加权系数：线性预测滤波器系数估计基于期望信号在时域的最大稀疏性，即期望信号的混合p范数；预测滤波器系数的最优化问题使用QR-RLS算法来解决，使用加权2范数来近似表示p范数，加权2范数的权系数依赖于期望信号PSD，则期望信号2范数的加权系数计算公式如下：
其中，M是麦克风的数量，ε是非常小的正数，p是范数，是期望信号的PSD估计值。
步骤6：将延迟信号和带混响语音信号作为QR-RLS算法的输入数据，对输入数据的矩阵进行对角化，通过基本的Givens旋转矩阵得到所有的三角化矩阵；计算Givens旋转元素，将旋转元素分别用于信息矩阵和期望的信息向量，应用Givens旋转余弦元素计算误差信号，最后通过迭代更新的方式得到预测滤波器的预测系数。
步骤7：将延迟的带混响信号与预测滤波器系数相乘得到晚期混响信号，带混响语音信号减去晚期混响信号等于去混响后的期望信号，对去混响后的期望信号进行逆傅里叶变换，得到时域上的去混响后的期望信号。
最后说明的是，以上优选实施例仅用以说明本发明的技术方案而非限制，尽管通过上述优选实施例已经对本发明进行了详细的描述，但本领域技术人员应当理解，可以在形式上和细节上对其作出各种各样的改变，而不偏离本发明权利要求书所限定的范围。

Claims (5)

1.一种使用QR-RLS算法对多通道语音信号去混响方法，其特征在于，该方法具体包括以下步骤：
S1：使用麦克风在封闭房间内采集带混响的语音信号；
S2：使用赛宾公式估计房间的混响时间T60，即直达声声压级下降60dB对应的时间，计算公式如下：
其中，α为房间吸声系数，V和S分别为房间的体积和表面积；
S3：将采集得到的带混响语音信号进行短时傅里叶变换，把信号由时域转化为频域，并在频域对带混响语音信号进行延迟处理得到延迟信号，信号延迟的阶数由预测滤波器的长度决定；
S4：通过混响时间T60计算混响语音信号的衰减常数Δ，从而估计出晚期混响信号和期望信号的功率谱密度，Δ的计算公式如下：
其中，Td为语音早期反射成分的时间；
S5：根据S4得到的期望信号功率谱密度的估计值计算期望信号2范数的加权系数；
S6：将延迟信号和带混响语音信号作为基于QR分解的RLS算法(QR-decomposition-based recursive least squares,QR-RLS)算法的输入数据，对其进行迭代更新，最后输出预测滤波器系数；
S7：将延迟信号与预测滤波器系数相乘得到晚期混响信号，带混响语音信号减去晚期混响信号等于去混响后的期望信号，对去混响后的期望信号进行逆傅里叶变换，得到时域上的去混响后的期望信号。
2.如权利要求1所述的一种使用QR-RLS算法对多通道语音信号去混响方法，其特征在于，所述步骤S4中，采用间隔一定距离的麦克风对混响语音进行采集，产生带混响语音数据，采用多通道线性预测(MCLP)模型对晚期混响信号进行建模，晚期混响信号成分u(n)即为延迟信号的和，即：
其中G(n)＝[g1(n),…,gM(n)]代表多输入多输出预测滤波器的预测系数，gM(n)为第M个麦克风的预测系数，为延迟后的带混响数据。
3.如权利要求1所述的一种使用QR-RLS算法对多通道语音信号去混响方法，其特征在于，所述步骤S4中，晚期混响信号和期望信号的功率谱密度的估计：
假设晚期混响信号的功率谱密度是基于指数衰减的模型，首先计算衰减系数Δ，估计房间的混响时间T60、语音早期反射成分的时间Td；然后估计晚期混响信号和带混响语音信号的功率谱密度(power spectral density,PSD)，两者相减得到期望信号的PSD；在期望信号PSD的计算中需要对其平滑处理。
4.如权利要求1所述的一种使用QR-RLS算法对多通道语音信号去混响方法，其特征在于，所述步骤S5中，所述期望信号2范数的加权系数计算为：
线性预测滤波器系数估计基于期望信号在时域的最大稀疏性，即期望信号的混合p范数；预测滤波器系数的最优化问题使用QR-RLS算法来解决，使用加权2范数来近似表示p范数，加权2范数的权系数依赖于期望信号PSD，则期望信号2范数的加权系数计算公式如下：
其中，M是麦克风的数量，ε是非常小的正数，p是范数，是期望信号的PSD估计值。
5.如权利要求1所述的一种使用QR-RLS算法对多通道语音信号去混响方法，其特征在于，所述步骤S6中，QR-RLS算法自适应计算预测滤波器的预测系数：
首先对QR-RLS算法中的参数进行初始化，对输入数据的矩阵进行对角化，通过基本的Givens旋转矩阵得到所有的三角化矩阵；计算Givens旋转元素，将旋转元素分别用于信息矩阵和期望的信息向量，应用Givens旋转余弦元素计算误差信号，最后通过迭代更新的方式得到预测滤波器的预测系数。
CN201711353578.5A 2017-12-15 2017-12-15 一种使用qr-rls算法对多通道语音信号去混响方法 Pending CN108154885A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201711353578.5A CN108154885A (zh) 2017-12-15 2017-12-15 一种使用qr-rls算法对多通道语音信号去混响方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201711353578.5A CN108154885A (zh) 2017-12-15 2017-12-15 一种使用qr-rls算法对多通道语音信号去混响方法

Publications (1)

Publication Number Publication Date
CN108154885A true CN108154885A (zh) 2018-06-12

Family

ID=62466330

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201711353578.5A Pending CN108154885A (zh) 2017-12-15 2017-12-15 一种使用qr-rls算法对多通道语音信号去混响方法

Country Status (1)

Country Link
CN (1) CN108154885A (zh)

Cited By (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109637554A (zh) * 2019-01-16 2019-04-16 辽宁工业大学 基于cdr的mclp语音去混响方法
WO2020078210A1 (zh) * 2018-10-18 2020-04-23 电信科学技术研究院有限公司 混响语音信号中后混响功率谱的自适应估计方法及装置
CN111341303A (zh) * 2018-12-19 2020-06-26 北京猎户星空科技有限公司 一种声学模型的训练方法及装置、语音识别方法及装置
CN111599374A (zh) * 2020-04-16 2020-08-28 云知声智能科技股份有限公司 一种单通道语音去混响方法及装置
CN113160842A (zh) * 2021-03-06 2021-07-23 西安电子科技大学 一种基于mclp的语音去混响方法及系统
CN113393853A (zh) * 2021-04-29 2021-09-14 青岛海尔科技有限公司 混合声信号的处理方法及装置、存储介质及电子装置
CN113409810A (zh) * 2021-08-19 2021-09-17 成都启英泰伦科技有限公司 一种联合去混响的回声消除方法及装置
CN114813129A (zh) * 2022-04-30 2022-07-29 北京化工大学 基于wpe与emd的滚动轴承声信号故障诊断方法

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN1142302A (zh) * 1994-12-30 1997-02-05 马特端通讯法国公司 一种用子带滤波的声音回声消除器
US20050008145A1 (en) * 2003-07-09 2005-01-13 Gunther Jacob H. Echo cancellation filter
CN102394847A (zh) * 2011-11-17 2012-03-28 浙江三维无线科技有限公司 一种采用复数qr-rls算法完成dpd功能的系统及方法
CN106533500A (zh) * 2016-11-25 2017-03-22 上海伟世通汽车电子系统有限公司 一种优化回声消除器收敛特性的方法

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN1142302A (zh) * 1994-12-30 1997-02-05 马特端通讯法国公司 一种用子带滤波的声音回声消除器
US20050008145A1 (en) * 2003-07-09 2005-01-13 Gunther Jacob H. Echo cancellation filter
CN102394847A (zh) * 2011-11-17 2012-03-28 浙江三维无线科技有限公司 一种采用复数qr-rls算法完成dpd功能的系统及方法
CN106533500A (zh) * 2016-11-25 2017-03-22 上海伟世通汽车电子系统有限公司 一种优化回声消除器收敛特性的方法

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
ANTE JUKI´等: ""Adaptive Speech Dereverberation Using Constrained Sparse Multichannel Linear Prediction"", 《IEEE SIGNAL PROCESSING LETTERS》 *
张明友等: "《近代信号处理理论与方法》", 31 January 2005, 国防工业出版社 *

Cited By (12)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2020078210A1 (zh) * 2018-10-18 2020-04-23 电信科学技术研究院有限公司 混响语音信号中后混响功率谱的自适应估计方法及装置
CN111341303A (zh) * 2018-12-19 2020-06-26 北京猎户星空科技有限公司 一种声学模型的训练方法及装置、语音识别方法及装置
CN111341303B (zh) * 2018-12-19 2023-10-31 北京猎户星空科技有限公司 一种声学模型的训练方法及装置、语音识别方法及装置
CN109637554A (zh) * 2019-01-16 2019-04-16 辽宁工业大学 基于cdr的mclp语音去混响方法
CN111599374A (zh) * 2020-04-16 2020-08-28 云知声智能科技股份有限公司 一种单通道语音去混响方法及装置
CN113160842A (zh) * 2021-03-06 2021-07-23 西安电子科技大学 一种基于mclp的语音去混响方法及系统
CN113160842B (zh) * 2021-03-06 2024-04-09 西安电子科技大学 一种基于mclp的语音去混响方法及系统
CN113393853A (zh) * 2021-04-29 2021-09-14 青岛海尔科技有限公司 混合声信号的处理方法及装置、存储介质及电子装置
CN113409810A (zh) * 2021-08-19 2021-09-17 成都启英泰伦科技有限公司 一种联合去混响的回声消除方法及装置
CN113409810B (zh) * 2021-08-19 2021-10-29 成都启英泰伦科技有限公司 一种联合去混响的回声消除方法
CN114813129A (zh) * 2022-04-30 2022-07-29 北京化工大学 基于wpe与emd的滚动轴承声信号故障诊断方法
CN114813129B (zh) * 2022-04-30 2024-03-26 北京化工大学 基于wpe与emd的滚动轴承声信号故障诊断方法

Similar Documents

Publication Publication Date Title
CN108154885A (zh) 一种使用qr-rls算法对多通道语音信号去混响方法
CN110100457B (zh) 基于噪声时变环境的加权预测误差的在线去混响算法
CN108172231B (zh) 一种基于卡尔曼滤波的去混响方法及系统
JP4469882B2 (ja) 音響信号処理方法及び装置
Mertins et al. Room impulse response shortening/reshaping with infinity-and $ p $-norm optimization
JP7324753B2 (ja) 修正された一般化固有値ビームフォーマーを用いた音声信号のボイス強調
KR102236471B1 (ko) 재귀적 최소 제곱 기법을 이용한 온라인 cgmm에 기반한 방향 벡터 추정을 이용한 음원 방향 추정 방법
CN107993670A (zh) 基于统计模型的麦克风阵列语音增强方法
CN109979476B (zh) 一种语音去混响的方法及装置
CN110088834A (zh) 用于语音去混响的多输入多输出（mimo）音频信号处理
Aichner et al. Time domain blind source separation of non-stationary convolved signals by utilizing geometric beamforming
Niwa et al. Post-filter design for speech enhancement in various noisy environments
Dietzen et al. Partitioned block frequency domain Kalman filter for multi-channel linear prediction based blind speech dereverberation
CN111312269A (zh) 一种智能音箱中的快速回声消除方法
JP2017194670A (ja) コードブックベースのアプローチを利用したカルマンフィルタリングに基づく音声強調法
CN109074818A (zh) 音频源参数化
Carbajal et al. Joint NN-supported multichannel reduction of acoustic echo, reverberation and noise
Wung et al. Robust multichannel linear prediction for online speech dereverberation using weighted householder least squares lattice adaptive filter
CN115424627A (zh) 基于卷积循环网络和wpe算法的语音增强混合处理方法
Kodrasi et al. Signal-dependent penalty functions for robust acoustic multi-channel equalization
CN109243476A (zh) 混响语音信号中后混响功率谱的自适应估计方法及装置
Jin Adaptive reverberation cancelation for multizone soundfield reproduction using sparse methods
Braun et al. Low complexity online convolutional beamforming
CN111968659A (zh) 一种基于优化imcra的麦克风阵列语音增强方法
Srinivasan et al. Multichannel parametric speech enhancement

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
RJ01 Rejection of invention patent application after publication

Application publication date: 20180612

RJ01 Rejection of invention patent application after publication