CN111477241A - 一种面向家居噪声环境的分层自适应去噪方法及系统 - Google Patents
一种面向家居噪声环境的分层自适应去噪方法及系统 Download PDFInfo
- Publication number
- CN111477241A CN111477241A CN202010294672.3A CN202010294672A CN111477241A CN 111477241 A CN111477241 A CN 111477241A CN 202010294672 A CN202010294672 A CN 202010294672A CN 111477241 A CN111477241 A CN 111477241A
- Authority
- CN
- China
- Prior art keywords
- denoising
- noise
- signal
- filtering
- voice 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.)
- Granted
Links
- 238000000034 method Methods 0.000 title claims abstract description 46
- 238000001914 filtration Methods 0.000 claims abstract description 39
- 230000003595 spectral effect Effects 0.000 claims abstract description 32
- 238000001228 spectrum Methods 0.000 claims abstract description 25
- 238000012545 processing Methods 0.000 claims description 17
- 239000000654 additive Substances 0.000 claims description 6
- 230000000996 additive effect Effects 0.000 claims description 6
- 238000000354 decomposition reaction Methods 0.000 claims description 5
- 230000009466 transformation Effects 0.000 claims description 3
- 238000013461 design Methods 0.000 claims description 2
- 230000000717 retained effect Effects 0.000 claims 1
- 238000010586 diagram Methods 0.000 description 10
- 238000004590 computer program Methods 0.000 description 7
- 230000006870 function Effects 0.000 description 6
- 230000008569 process Effects 0.000 description 6
- 238000012986 modification Methods 0.000 description 5
- 230000004048 modification Effects 0.000 description 5
- 230000003044 adaptive effect Effects 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000011410 subtraction method Methods 0.000 description 2
- 230000002411 adverse Effects 0.000 description 1
- 230000004075 alteration Effects 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 239000000203 mixture Substances 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000007781 pre-processing Methods 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 208000027765 speech disease Diseases 0.000 description 1
- 230000001629 suppression Effects 0.000 description 1
- 238000012546 transfer Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G10—MUSICAL INSTRUMENTS; ACOUSTICS
- G10L—SPEECH ANALYSIS TECHNIQUES OR SPEECH SYNTHESIS; SPEECH RECOGNITION; SPEECH OR VOICE PROCESSING TECHNIQUES; SPEECH OR AUDIO CODING OR DECODING
- G10L21/00—Speech or voice signal processing techniques 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
-
- G—PHYSICS
- G10—MUSICAL INSTRUMENTS; ACOUSTICS
- G10L—SPEECH ANALYSIS TECHNIQUES OR SPEECH SYNTHESIS; SPEECH RECOGNITION; SPEECH OR VOICE PROCESSING TECHNIQUES; SPEECH OR AUDIO CODING OR DECODING
- G10L21/00—Speech or voice signal processing techniques 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 TECHNIQUES OR SPEECH SYNTHESIS; SPEECH RECOGNITION; SPEECH OR VOICE PROCESSING TECHNIQUES; SPEECH OR AUDIO CODING OR DECODING
- G10L21/00—Speech or voice signal processing techniques 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
- G10L2021/02168—Noise filtering characterised by the method used for estimating noise the estimation exclusively taking place during speech pauses
Landscapes
- Engineering & Computer Science (AREA)
- Computational Linguistics (AREA)
- Quality & Reliability (AREA)
- Signal Processing (AREA)
- Health & Medical Sciences (AREA)
- Audiology, Speech & Language Pathology (AREA)
- Human Computer Interaction (AREA)
- Physics & Mathematics (AREA)
- Acoustics & Sound (AREA)
- Multimedia (AREA)
- Filters That Use Time-Delay Elements (AREA)
Abstract
本发明公开了一种面向家居噪声环境的分层自适应去噪方法及系统,该方法包括:(1)先将带噪语音信号经过谱减法滤波,去除掉噪声的短时谱部分,得到去噪后的语音信号;(2)观察谱减法去噪后的语音信号中时域波形出现时间较短的突发声调的情况;(3)若谱减法去噪后的时域波形出现时间较短的突发声调的情况比较严重,采用维纳滤波法对该信号进行二次滤波,去噪结束,得到去噪后的语音信号否则,转至步骤4;(4)若出现时间较短的突发声调的情况不明显,对该信号进行小波阈值去噪法滤波,去噪结束,得到去噪后的语音信号;本发明提出的面向家居噪声环境下的分层自适应算法,可以有效的抑制带噪信号中的噪声。
Description
技术领域
本发明属于语音增强技术领域,具体涉及一种面向家居噪声环境的分层自适应去噪方法及系统。
背景技术
语音增强又称作语音去噪或语音降噪。语音增强应用领域十分广泛,包括语音识别设备、医疗设备、会议录音、助听器设备等等,在许多系统的预处理之前,需要添加语音增强操作。语音信号一般受到的噪声干扰分为四类:加性噪声、混响、回声和其他语音干扰,它们降低语音的质量,处理上述噪声的不利影响的办法有很多,主要集中在传统信号处理领域(时域、频域、空域以及他们的高阶统计量)。传统的方法都是先对处理过程建模,如VAD使用的高斯混合模型,这些建模都是模拟现实物理过程。在实际家居噪声环境中,由于噪声的种类比较多,传统去噪方法不能够针对不同噪声进行较为彻底的抑制噪声,因此,目前的去噪方法无法满足日常抑制噪声的需求,其去噪效果仍需完善。
发明内容
发明目的:为了克服上述现有技术的不足,本发明提供一种面向家居噪声环境的分层自适应去噪方法及系统。
技术方案:一方面,本发明提供面向家居噪声环境的分层自适应去噪方法,该方法包括:
(1)先将带噪语音信号经过谱减法滤波,去除掉噪声的短时谱部分,得到去噪后的语音信号;
(2)观察谱减法去噪后的语音信号中时域波形出现时间较短的突发声调的情况;
(3)若谱减法去噪后的时域波形出现时间较短的突发声调的情况比较严重,采用维纳滤波法对该信号进行二次滤波,去噪结束,得到去噪后的语音信号否则,转至步骤4;
(4)若出现时间较短的突发声调的情况不明显,对该信号进行小波阈值去噪法滤波,去噪结束,得到去噪后的语音信号。
进一步地,包括:
所述谱减法去噪利用加性噪声与语音信号不相关的特性,在假设噪声是统计平稳的前提下,用无语音间隙测算到的噪声频谱估计值代替有语音期间噪声的频谱,然后再和含噪语音频谱相减,从而得到语音频谱的估计值。
进一步地,包括:
所述维纳滤波去噪是先设计一个数字滤波器,通过调整滤波器,使得输入信号经过滤波器后的结果和输入信号本身的均方差达到最小,即输出的增强语音信号尽可能地接近输入的带噪信号。
进一步地,包括:
所述小波阈值去噪法采用小波基sym8,并且分解层数选为5,通过正交小波变换将带噪语音信号分解为高频和低频两部分,所述阈值采用启发式阈值规则对上面的高频和低频部分进行判决,保留大于阈值的信号,去除小于阈值的信号,并将阈值处理后的信号进行小波重构,得到去噪后的语音信号。
另一方面,本发明还提供一种面向家居噪声环境的分层自适应去噪系统,该系统包括:
第一去噪模块,用于先将带噪语音信号经过谱减法滤波,去除掉噪声的短时谱部分,得到去噪后的语音信号;
判断模块,用于观察谱减法去噪后的语音信号中时域波形出现时间较短的突发声调的情况;
若谱减法去噪后的时域波形出现时间较短的突发声调的情况比较严重,则第二去噪单元二次滤波,去噪结束,得到去噪后的语音信号,所述第二去噪单元用于采用维纳滤波法对该信号进行二次滤波,否则,采用第三去噪单元处理,去噪结束,得到去噪后的语音信号;
若出现时间较短的突发声调的情况不明显,则第三去噪单元进行二次滤波,所述第三去噪单元用于对该信号进行小波阈值去噪法滤波。
有益效果:本发明与现有技术相比,其显著优点是:本发明提出了面向家居噪声环境下的分层自适应算法,可以有效的抑制带噪信号中的噪声。该算法首先通过谱减法对带噪信号进行滤波,观察处理结果中是否会产生比原信号中的噪声还要明显的残余噪声,若有的话,则采用维纳滤波法对谱减法去噪后的信号进行二次去噪;若没有的话,则采用小波阈值去噪法对谱减法去噪后的信号进行二次去噪,从而解决了针对不同类型的家居噪声影响下的语音增强问题。
附图说明
图1为本发明所述的面向家居噪声环境的分层自适应去噪算法总体结构框图;
图2为本发明所述的小波阈值去噪流程。
具体实施方式
为了更加详细的描述本发明提出的面向家居口语环境的组合神经网络语音识别算法,结合附图,举例说明如下。
如图1为面向家居噪声环境的分层自适应去噪算法总体结构框图,首先通过谱减法对带噪信号进行滤波,观察处理结果中是否会产生比原信号中的噪声还要明显的残余噪声,若有的话,则采用维纳滤波法对谱减法去噪后的信号进行二次去噪;若没有的话,则采用小波阈值去噪法对谱减法去噪后的信号进行二次去噪,从而解决了针对不同类型的家居噪声影响下的语音增强问题。
具体的:
S1、先将带噪语音信号经过谱减法滤波,去除掉噪声的短时谱部分,得到去噪后的语音信号;
假设y(n)是受噪声干扰的信号,则y(n)由纯净语音信号x(n)和加性噪声d(n)组成,即:
y(n)=x(n)+d(n) (1)
经过傅里叶变换后,其公式表示为:
Y(ω)=X(ω)+D(ω) (2)
将上式用功率谱表示可转换为:
|Y(ω)|2=|X(ω)|2+|D(ω)|2,即:|X(ω)|2=|Y(ω)|2-|D(ω)|2 (4)
用Px(ω)、Py(ω)、Pd(ω)代表纯净语音功率谱、受噪声干扰信号功率谱、噪声功率谱,则
Px(ω)=Py(ω)-Pd(ω) (5)
得到的结果即为经过谱减法处理后的语音信号y′(n)。
S2观察谱减法去噪后的语音信号中时域波形出现时间较短的突发声调的情况;
S3若谱减法去噪后的时域波形出现时间较短的突发声调的情况比较严重,采用维纳滤波法对该信号进行二次滤波,去噪结束,得到去噪后的语音信号否则,转至步骤4;
假设y(n)是受噪声干扰的信号,并且噪声是加性噪声,则y′(n)由纯净语音信号s(n)和噪声信号v(n)组成,即:
y′(n)=s(n)+v(n) (6)
经过滤波器的输出信号为:
用均方误差的方法来分析误差,使其数学期望达到最小,即:
根据正交性准则,若h(n)为最佳传递函数,则有当m为任意值时,下式都成立:
将公式(7)代入公式(9)进行傅里叶变换可得:
其中,Px(k)为y′(n)的功率谱密度,Psx(k)为s(n)与y′(n)的互功率谱密度。因为语音信号s(n)和噪声信号v(n)二者是独立的,所以Rsv(m)=0,也即:
Psx(k)=Px(k),Px(k)=Ps(k)+Pv(k) (11)
根据公式(11)可以得到:
其中,r(k)为带噪语音在相应频点上的频谱值,对应处理后的语音信号为voice0。
S4若出现时间较短的突发声调的情况不明显,对该信号进行小波阈值去噪法滤波,去噪结束,得到去噪后的语音信号。
假设观测信号的模型为:
y′(t)=s(t)+e(t) (14)
其中,s(t)、e(t)分别表示纯净的语音信号和噪声。对公式(14)两边同时作小波变换得:
WTy(a,b)=WTs(a,b)+WTe(a,b) (15)
根据小波阈值去噪流程,若要从观测信号y′(t)中恢复出纯净语音信号s(t),如图2所示大致分为三个阶段,可按照以下步骤进行:
(1)正交小波变换。选定一个正交小波和分解层数M,对信号y′(t)进行M层小波分解。
(2)小波系数处理。对第一层到第M层的每一层高频系数通过阈值函数进行处理,对每层的低频系数不做处理。
(3)小波重构。根据小波分解的第M层的低频和经过处理后的第一层到第M层的高频系数进行信号重构,从而得到想要的信号的估计值voice0。
另一方面,本发明还提供一种面向家居噪声环境的分层自适应去噪系统,该系统包括:
第一去噪模块,用于先将带噪语音信号经过谱减法滤波,去除掉噪声的短时谱部分,得到去噪后的语音信号;
判断模块,用于观察谱减法去噪后的语音信号中时域波形出现时间较短的突发声调的情况;
若谱减法去噪后的时域波形出现时间较短的突发声调的情况比较严重,则第二去噪单元二次滤波,去噪结束,得到去噪后的语音信号,所述第二去噪单元用于采用维纳滤波法对该信号进行二次滤波,否则,采用第三去噪单元处理,去噪结束,得到去噪后的语音信号;
若出现时间较短的突发声调的情况不明显,则第三去噪单元进行二次滤波,所述第三去噪单元用于对该信号进行小波阈值去噪法滤波。
对于系统/装置实施例而言,由于其基本相似于方法实施例,所以描述的比较简单,相关之处参见方法实施例的部分说明即可。
需要说明的是,在本文中,诸如第一和第二等之类的关系术语仅仅用来将一个实体或者一个操作与另一个实体或者另一个操作区分开来,而不一定要求或者暗示这些实体或者操作之间存在任何这种实际的关系或者顺序。
本领域内的技术人员应明白,本申请的实施例可提供为方法、系统、或计算机程序产品。因此,本申请可采用完全硬件实施例、完全应用实施例、或结合应用和硬件方面的实施例的形式。而且,本申请可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本发明是参照根据本发明实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器,使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中,使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品,该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上,使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理,从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
尽管已描述了本发明的优选实施例,但本领域内的技术人员一旦得知了基本创造性概念,则可对这些实施例作出另外的变更和修改。所以,所附权利要求意欲解释为包括优选实施例以及落入本发明范围的所有变更和修改。
显然,本领域的技术人员可以对本发明进行各种改动和变型而不脱离本发明的精神和范围。这样,倘若本发明的这些修改和变型属于本发明权利要求及其等同技术的范围之内,则本发明也意图包含这些改动和变型在内。
Claims (5)
1.一种面向家居噪声环境的分层自适应去噪方法,其特征在于,该方法包括:
(1)先将带噪语音信号经过谱减法滤波,去除掉噪声的短时谱部分,得到去噪后的语音信号;
(2)观察谱减法去噪后的语音信号中时域波形出现时间较短的突发声调的情况;
(3)若谱减法去噪后的时域波形出现时间较短的突发声调的情况比较严重,采用维纳滤波法对该信号进行二次滤波,去噪结束,得到去噪后的语音信号否则,转至步骤4;
(4)若出现时间较短的突发声调的情况不明显,对该信号进行小波阈值去噪法滤波,去噪结束,得到去噪后的语音信号。
2.根据权利要求1所述的面向家居噪声环境的分层自适应去噪方法,其特征在于,所述谱减法去噪利用加性噪声与语音信号不相关的特性,在假设噪声是统计平稳的前提下,用无语音间隙测算到的噪声频谱估计值代替有语音期间噪声的频谱,然后再和含噪语音频谱相减,从而得到语音频谱的估计值。
3.根据权利要求1所述的面向家居噪声环境的分层自适应去噪方法,其特征在于,所述维纳滤波去噪是先设计一个数字滤波器,通过调整滤波器,使得输入信号经过滤波器后的结果和输入信号本身的均方差达到最小,即输出的增强语音信号尽可能地接近输入的带噪信号。
4.根据权利要求1所述的面向家居噪声环境的分层自适应去噪方法,其特征在于,所述小波阈值去噪法采用小波基sym8,并且分解层数选为5,通过正交小波变换将带噪语音信号分解为高频和低频两部分,所述阈值采用启发式阈值规则对上面的高频和低频部分进行判决,保留大于阈值的信号,去除小于阈值的信号,并将阈值处理后的信号进行小波重构,得到去噪后的语音信号。
5.一种根据权利要求1-4任一项所述的面向家居噪声环境的分层自适应去噪方法实现的系统,其特征在于,该系统包括:
第一去噪模块,用于先将带噪语音信号经过谱减法滤波,去除掉噪声的短时谱部分,得到去噪后的语音信号;
判断模块,用于观察谱减法去噪后的语音信号中时域波形出现时间较短的突发声调的情况;
若谱减法去噪后的时域波形出现时间较短的突发声调的情况比较严重,则第二去噪单元二次滤波,去噪结束,得到去噪后的语音信号,所述第二去噪单元用于采用维纳滤波法对该信号进行二次滤波,否则,采用第三去噪单元处理,去噪结束,得到去噪后的语音信号;
若出现时间较短的突发声调的情况不明显,则第三去噪单元进行二次滤波,所述第三去噪单元用于对该信号进行小波阈值去噪法滤波。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010294672.3A CN111477241B (zh) | 2020-04-15 | 2020-04-15 | 一种面向家居噪声环境的分层自适应去噪方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010294672.3A CN111477241B (zh) | 2020-04-15 | 2020-04-15 | 一种面向家居噪声环境的分层自适应去噪方法及系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111477241A true CN111477241A (zh) | 2020-07-31 |
CN111477241B CN111477241B (zh) | 2023-05-26 |
Family
ID=71752075
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010294672.3A Active CN111477241B (zh) | 2020-04-15 | 2020-04-15 | 一种面向家居噪声环境的分层自适应去噪方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111477241B (zh) |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2008004499A1 (fr) * | 2006-07-03 | 2008-01-10 | Nec Corporation | Procédé, dispositif et programme de suppression du bruit |
WO2008111462A1 (ja) * | 2007-03-06 | 2008-09-18 | Nec Corporation | 雑音抑圧の方法、装置、及びプログラム |
CN106910511A (zh) * | 2016-06-28 | 2017-06-30 | 阿里巴巴集团控股有限公司 | 一种语音去噪方法和装置 |
CN108766454A (zh) * | 2018-06-28 | 2018-11-06 | 浙江飞歌电子科技有限公司 | 一种语音噪声抑制方法及装置 |
CN110598166A (zh) * | 2019-09-18 | 2019-12-20 | 河海大学 | 一种自适应确定小波分层级数的小波去噪方法 |
CN110808059A (zh) * | 2019-10-10 | 2020-02-18 | 天津大学 | 一种基于谱减法和小波变换的语音降噪方法 |
CN110992967A (zh) * | 2019-12-27 | 2020-04-10 | 苏州思必驰信息科技有限公司 | 一种语音信号处理方法、装置、助听器及存储介质 |
-
2020
- 2020-04-15 CN CN202010294672.3A patent/CN111477241B/zh active Active
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2008004499A1 (fr) * | 2006-07-03 | 2008-01-10 | Nec Corporation | Procédé, dispositif et programme de suppression du bruit |
WO2008111462A1 (ja) * | 2007-03-06 | 2008-09-18 | Nec Corporation | 雑音抑圧の方法、装置、及びプログラム |
CN106910511A (zh) * | 2016-06-28 | 2017-06-30 | 阿里巴巴集团控股有限公司 | 一种语音去噪方法和装置 |
CN108766454A (zh) * | 2018-06-28 | 2018-11-06 | 浙江飞歌电子科技有限公司 | 一种语音噪声抑制方法及装置 |
CN110598166A (zh) * | 2019-09-18 | 2019-12-20 | 河海大学 | 一种自适应确定小波分层级数的小波去噪方法 |
CN110808059A (zh) * | 2019-10-10 | 2020-02-18 | 天津大学 | 一种基于谱减法和小波变换的语音降噪方法 |
CN110992967A (zh) * | 2019-12-27 | 2020-04-10 | 苏州思必驰信息科技有限公司 | 一种语音信号处理方法、装置、助听器及存储介质 |
Non-Patent Citations (3)
Title |
---|
彭健新 等: "谱减法与维纳滤波法相结合的睡眠鼾声降噪处理" * |
李楠;: "一种小波变换与维纳滤波结合的语音抗噪研究" * |
李楠;: "一种小波变换与维纳滤波结合的语音抗噪研究", 电声技术 * |
Also Published As
Publication number | Publication date |
---|---|
CN111477241B (zh) | 2023-05-26 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
KR101934636B1 (ko) | 심화신경망 기반의 잡음 및 에코의 통합 제거 방법 및 장치 | |
CN108172231B (zh) | 一种基于卡尔曼滤波的去混响方法及系统 | |
Soon et al. | Speech enhancement using 2-D Fourier transform | |
CN110598166A (zh) | 一种自适应确定小波分层级数的小波去噪方法 | |
Zhang et al. | Image denoising using a neural network based non-linear filter in wavelet domain | |
CN110211602B (zh) | 智能语音增强通信方法及装置 | |
CN114566176A (zh) | 基于深度神经网络的残余回声消除方法及系统 | |
Geng et al. | End-to-end speech enhancement based on discrete cosine transform | |
CN107360497B (zh) | 估算混响分量的计算方法及装置 | |
Norouzzadeh et al. | Image denoising in wavelet domain using a new thresholding function | |
Jaffery et al. | Selection of optimal decomposition level based on entropy for speech denoising using wavelet packet | |
CN111477241B (zh) | 一种面向家居噪声环境的分层自适应去噪方法及系统 | |
Vishwakarma et al. | De-noising of Audio Signal using Heavy Tailed Distribution and comparison of wavelets and thresholding techniques | |
Joshi et al. | Comparative analysis of thresholding techniques using discrete wavelet transform | |
Sumithra et al. | Wavelet based speech signal de-noising using hybrid thresholding | |
Khalil et al. | Enhancement of speech signals using multiple statistical models | |
Sakuma et al. | Improvement of Noise Suppression Performance of SEGAN by Sparse Latent Vectors | |
Agrawal et al. | Performance analysis of speech enhancement using spectral gating with U-Net | |
Zehtabian et al. | Optimized singular vector denoising approach for speech enhancement | |
Akter et al. | Crosscorrelation compensated wiener filter for speech enhancement | |
Boyko et al. | Using recurrent neural network to noise absorption from audio files. | |
Dey et al. | A Novel Approach for Dereverberation of Speech Signals | |
CN114708880A (zh) | 基于麦克风阵列的多目标神经网络语音处理方法及装置 | |
Verma et al. | An improved method for speech enhancement based on 2D-DWT using hybrid weiner filtering | |
Chen | Research on Single Channel Speech Noise Reduction Algorithm Based on Signal Processing |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |