CN117672247B

CN117672247B - 一种实时音频滤除窄带噪声的方法及系统

Info

Publication number: CN117672247B
Application number: CN202410129768.2A
Authority: CN
Inventors: 孟醒; 钟金作; 杨航; 魏依然; 付永爵
Original assignee: CETC 15 Research Institute
Current assignee: CETC 15 Research Institute
Priority date: 2024-01-31
Filing date: 2024-01-31
Publication date: 2024-04-02
Anticipated expiration: 2044-01-31
Also published as: CN117672247A

Abstract

本申请涉及音频处理技术领域，尤其涉及一种实时音频滤除窄带噪声的方法及系统，本发明基于快速傅里叶变换算法提取实时噪声音频信号中高斯窄带噪声信号的角频率；根据角频率重构高斯窄带噪声信号；利用自适应线性神经网络对重构信号进行模拟；将实时噪声音频信号减去模拟获得的重现噪声信号，获得原始实时音频信号。本发明可有效去除噪声信号中的高斯窄带噪声；且只需一次FFT变换，即可实现实时音频信号滤除高斯窄带噪声信号的目的，极大地降低了处理时延，有效提高算法的实时性；且滤波流程简单，无需复杂的网络模型，使得在低功耗设备中也能轻松实现；解决了现有技术中实时音频滤除窄带噪声算法实时性差及滤波流程复杂的技术问题。

Description

一种实时音频滤除窄带噪声的方法及系统

技术领域

本申请涉及音频处理技术领域，尤其涉及一种实时音频滤除窄带噪声的方法及系统。

背景技术

在户外应急、消防救援等特殊场景下，现场工作人员需要通过音频进行实时沟通，以保证工作的效率。但是在进行音频数据采集时，往往会同时将环境噪声（如穿戴消防服步行时候的摩擦声、氧气瓶产生氧气的机械声）以及电子电路产生的热噪声等高斯噪声进行采集，影响音频收听者的接收体验效果。

高斯窄带噪声是指概率密度函数满足正态分布统计特性、功率谱密度函数是常数，且频带宽度远远小于其中心频率的一类噪声，而实时音频信号在传输时，不可避免地会被加入至少一个高斯窄带噪声信号。而传统的高斯窄带噪声滤波方法包括谱减法和小波变化法。其中，谱减法首先对音频信号进行FFT变换，在频域移除音频信号中的噪声频谱成分后，再通过IFFT变换得到滤波结果。该算法可以有效提升信号的信噪比。而小波变化法首先对电子音乐信号进行鲁棒主成分分析，通过分析检测电子音乐信号中具体噪声位置，将电子音乐信号与噪声信号进行有效分离，再对经过鲁棒主成分分析后的电子音乐信号通过改进傅里叶变换算法进行有效降噪处理，该方法滤波效果好。

但是，本申请发明人在实现本申请实施例中发明技术方案的过程中，发现上述技术方案至少存在如下技术问题：

（1）谱减法需要做两次FFT变换，大大增加了处理时延，使得算法的实时性得不到保证。

（2）小波变化法滤波流程复杂，在低功耗设备中实现困难。

发明内容

本发明公开了一种实时音频滤除窄带噪声的方法及系统，采用自适应线性神经网络（ADALINE，Adaptive linear neural network）对实时音频的高斯窄带噪声进行有效滤除，保证了恶劣环境下音频通信的实时性与高信噪比。解决了现有技术中实时音频滤除窄带噪声算法实时性差及滤波流程复杂的技术问题。

主要通过以下技术方案实现上述发明目的：

第一方面，提供了一种实时音频滤除窄带噪声的方法，接收需要传输的实时噪声音频信号，所述实时噪声音频信号包含原始实时音频信号和至少一个高斯窄带噪声信号；基于快速傅里叶变换算法提取所述实时噪声音频信号中高斯窄带噪声信号的角频率；根据所述角频率重构所述高斯窄带噪声信号，获得重构信号；利用自适应线性神经网络对所述重构信号进行模拟，获得重现噪声信号；将实时噪声音频信号减去重现噪声信号，获得所述原始实时音频信号。

第二方面，提供了一种实时音频滤除窄带噪声的系统，包括：

接收模块，用于接收需要传输的实时噪声音频信号，所述实时噪声音频信号包含原始实时音频信号和至少一个高斯窄带噪声信号；

噪声成分分析器，基于快速傅里叶变换算法提取所述实时噪声音频信号中高斯窄带噪声信号的角频率；并根据所述角频率重构所述高斯窄带噪声信号，获得重构信号；

自适应滤波器，用于利用自适应线性神经网络对所述重构信号进行模拟，获得重现噪声信号；

相减器，用于将所述实时噪声音频信号减去所述重现噪声信号，获得所述原始实时音频信号。

第三方面，提供了一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，所述计算机程序被处理器执行时实现如第一方面所述的一种实时音频滤除窄带噪声的方法的部分或全部步骤。

第四方面，一种电子设备，所述设备包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现如第一方面所述的一种实时音频滤除窄带噪声的方法的部分或全部步骤。

相较于现有技术的有益效果：

本发明通过快速傅里叶变换算法提取需要传输的实时噪声音频信号中保护的高斯窄带噪声信号的角频率；根据所述角频率重构所述高斯窄带噪声信号，获得重构信号；利用自适应线性神经网络对所述重构信号进行模拟，获得重现噪声信号；将实时噪声音频信号减去重现噪声信号，即可获得所述原始实时音频信号。由于输入到线性网络中的信号为实时噪声音频信号包含的高斯窄带噪声信号的重构信号和重构延迟信号，该重构信号是根据高斯窄带噪声信号的角频率进行重构的，而重构延迟信号是基于高斯窄带噪声信号的角频率做相移获得的，因此，输入到自适应线性网络中的信号只有一个频率成分，且该网络是一个线性系统，因此，该网络的输出为输入的正弦波的增减幅和变相，输出的频率与输入保持一致。因此，利用自适应线性神经网络对上述重构信号进行模拟，得到的重现噪声信号，其频率与高斯窄带噪声信号的角频率相近；而噪声信号被滤除的原理是滤除信号中的某个频率成分，其他频率成分不会改变；因此，将实时噪声音频信号减去该重现噪声信号，即可获得滤除了高斯窄带噪声信号的实时原始音频信号，即本发明最终获得的滤波结果；因此，本发明技术方案可以有效去除噪声信号中的高斯窄带噪声；且在只需一次FFT变换的情况下，即可实现实时音频信号滤除高斯窄带噪声信号的目的，极大地降低了处理时延，有效提高算法的实时性；且利用线性网络就可以实现上述滤波目的，滤波流程简单，无需复杂的网络模型，使得在低功耗设备中也能轻松实现；解决了现有技术中实时音频滤除窄带噪声算法实时性差及滤波流程复杂的技术问题。

附图说明

图1为本发明实施例一种实时音频滤除窄带噪声的系统的结构示意图；

图2为本发明实施例一种实时音频滤除窄带噪声的方法的流程示意图

图3为本发明实施例自适应线性神经网络的结构示意图；

图4为本发明实施例另一种自适应线性神经网络的结构示意图；

图5为本发明实施例的一种电子设备的结构示意图。

具体实施方式

为了使本技术领域的人员更好地理解本说明书一个或多个实施例中的技术方案，下面将结合本说明书一个或多个实施例中的附图，对本说明书一个或多个实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅是本说明书的一部分实施例，而不是全部的实施例。基于本说明书一个或多个实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都应当属于本文件的保护范围。

需要说明的是，本发明实施例描述的仅仅是为了更加清楚地说明本发明实施例的技术方案，并不构成对本发明实施例提供的技术方案的限定。

本发明实施例公开了一种实时音频滤除窄带噪声的方法，为实现该方法，本发明还公开了一种实时音频滤除窄带噪声的系统，以下简称系统，如图1所示，为该系统的结构示意图；包括接收模块、噪声成分分析器、自适应滤波器、相减器以及输出模块，其中，接收模块输出端分别与噪声成分分析器和相减器连接，将接收的实时噪声音频信号发送噪声成分分析器和相减器。噪声成分分析器的输出端与自适应滤波器的输入端连接，自适应滤波器的输出端与相减器的输入端连接，相减器的输出端连接输出模块，用于输出滤波结果，即，经相减器获得的实时原始音频信号。噪声成分分析器主要用于根据快速傅里叶变换算法提取接收模块输入的实时噪声音频信号中高斯窄带噪声信号的角频率，并根据所述角频率重构所述高斯窄带噪声信号，获得重构信号。噪声成分分析器将获得的重构信号输入给自适应滤波器，由自适应滤波器根据所述重构信号进行去噪，具体是利用自适应线性神经网络对所述重构信号进行模拟，获得重现噪声信号。自适应滤波器将获得的重现噪声信号输入给相减器，而相减器利用接收模块输入的实时噪声音频信号和重现噪声信号，两者相减，得到滤波结果，即实时原始音频信号，并将其输入给输出模块，输出模块用于输出该滤波结果。

当然可以理解的是，接收模块的输入端还需要与实时音频采集端（图1中未示出）连接，由实时音频采集端将采集的实时原始音频发送给接收模块，实时原始音频在发送给接收模块的传输过程中，由于电子电路产生的热噪声会不可避免地加入至少一个高斯窄带噪声信号，因此，接收模块接收的是实时噪声音频信号，是包含了实时原始音频信号和至少一个高斯窄带噪声信号的混合信号，而本发明公开的系统正是应用在实时音频采集端与实时音频接收端（图1中未示出）之间的场景，例如，可以将该系统集成在实时音频接收端的耳机设备中，通过该系统对实时噪声音频信号进行窄带噪声滤除后，由输出模块将滤波结果（即获得的实时原始音频信号）输出给耳机设备中的功放装置，由功放装置再将所述实时原始音频信号输出给佩戴该耳机设备的音频收听者，从而提高音频收听者的音频接收体验效果，避免因实时原始音频信号在传输过程中因电子电路产生的热噪声会不可避免受到高斯窄带噪声信号的影响。

如图2所示，为一种实时音频滤除窄带噪声的方法的流程图，下面将结合图1和图2，对该方法的具体实施方式进行详细说明，该方法的执行主体为上述系统，该方法包括以下步骤：

201.接收需要传输的实时噪声音频信号，所述实时噪声音频信号包含原始实时音频信号和至少一个高斯窄带噪声信号。

如上所述，实时音频采集端将采集的实时原始音频发送给所述系统的接收模块的过程中，实时原始音频由于电子电路产生的热噪声会不可避免地被加入至少一个高斯窄带噪声信号，因此，接收模块接收的是实时噪声音频信号，是包含了实时原始音频信号和至少一个高斯窄带噪声信号的混合信号。

202.基于快速傅里叶变换算法提取所述实时噪声音频信号中高斯窄带噪声信号的角频率。

如上所述，实时噪声音频信号是包含了实时原始音频信号和至少一个高斯窄带噪声信号的混合信号，因此，接收模块将接收的上述混合信号传输给噪声成分分析器，噪声成分分析器基于快速傅里叶变换算法提取所述实时噪声音频信号中高斯窄带噪声信号的角频率。

在一个可行的实施方式中，上述快速傅里叶变换（FFT）方法可以是一种对信号做离散傅里叶变换的方法，计算式如下：

;

其中，

x表示所述实时噪声音频信号的时域序列；

N表示所述实时噪声音频信号的时域序列长度，即序列 x有 N个样点；

e表示自然常数； j表示单位虚数；

X表示所述实时噪声音频信号经离散傅里叶变换后的频域序列；

k表示自然数。

噪声成分分析器的工作原理：在实时噪声音频信号中，高斯窄带噪声信号在频谱上的幅度一般要高于原信号（即实时原始音频信号），因此，通过离散傅里叶变换可以获得信号的频率成分，在频谱 X[k]上找出n个最大的幅度对应的频率（假设实时噪声音频信号中包含n个高斯窄带噪声信号），即为所述实时噪声音频信号中n个高斯窄带噪声信号的角频率。但如果设置的高斯窄带噪声数量n比实际提取的角频率数量n^`大，则表示还有剩余的高斯窄带噪声信号的角频率没有提取，表示后续通过自适应滤波器滤波后仍会残留部分高斯窄带噪声；因此，在一个可行的实施方式中，相减器在获得滤波结果后，将滤波结果作为误差又反馈给自适应滤波器，作为自适应滤波器中线性神经网络的学习数据，自适应线性神经网络根据该学习数据逐步收敛迭代，最终提高模拟重构信号得到的重现噪声信号的稳定性和准确性，相减器通过实时噪声音频信号减去不断收敛后的重现噪声信号，会得到更准确的滤波后的实时原始音频信号，从而实现自适应滤波。

但如果设置的高斯窄带噪声数量n比实际提取的角频率数量n^`小，则表示在提取过程中将实时原始音频信号中的部分信号的频率提取出来了，但是因实时原始音频信号频谱非常密集，即便出现上述情况，对于音质并不会有太大的影响。

203.根据所述角频率重构所述高斯窄带噪声信号，获得重构信号。

假设n=1，根据所述角频率重构所述高斯窄带噪声信号，获得重构信号，计算式如下：

;

其中，

V[k]表示重构信号；

表示高斯窄带噪声信号的角频率；

k表示自然数。

假设n＞1，根据所述角频率重构所述高斯窄带噪声信号，获得重构信号，计算式如下：

;

其中，

表示第 i个高斯窄带噪声信号重构后得到的第 i个重构信号；

表示第 i个高斯窄带噪声信号的角频率；

k表示自然数；

^`。

204.利用自适应线性神经网络对所述重构信号进行模拟，获得重现噪声信号。

在一个可行的实施方式中，如图3所示，自适应线性神经网络包括一个一阶抽头延迟线和一个线性神经网络。

通过该一阶抽头延迟线对上述重构信号进行一阶延迟，获得延迟重构信号。在一个可行的实施方式中，利用一阶抽头延迟线对所述重构信号做相移，延迟一拍的相移量为所述高斯窄带噪声信号的角频率；即，延迟重构信号的计算式如下：

;

V[k-1]表示延迟重构信号，也即线性神经网络的上一次输入。V[k]表示重构信号，也是作为线性神经网络的本次输入。

因此，线性神经网络的输出 a[k]计算式如下：

;

其中：

b表示偏置。

输入到线性网络中的信号为实时噪声音频信号包含的高斯窄带噪声信号的重构信号和重构延迟信号，该重构信号是根据高斯窄带噪声信号的角频率进行重构的，而重构延迟信号是基于高斯窄带噪声信号的角频率做相移获得的，因此，输入到自适应线性网络中的信号只有一个频率成分，且该网络是一个线性系统，因此，该网络的输出为输入的正弦波的增减幅和变相，输出的频率与输入保持一致。因此，利用自适应线性神经网络对上述重构信号进行模拟，得到重现噪声信号，计算式如下：

;

其中：

表示重现噪声信号。

对于高斯窄带噪声信号有：

;

其中：

表示高斯窄带噪声信号的真实频率；

表示高斯窄带噪声信号的真实相位；

。

因此，根据三角函数定义可知：

;

对于有：

;

其中：

表示实时噪声音频信号；

表示实时原始音频信号。

而噪声信号被滤除的原理是滤除信号中的某个频率成分，其他频率成分不会改变；因此，实时噪声音频信号减去高斯窄带噪声信号/>，即可得到实时原始音频信号/>，如上所述，实时噪声音频信号/>减去重现噪声信号/>，即可恢复出原始的实时音频信号，即：

;

因此，本发明技术方案通过自适应线性网络模拟高斯窄带噪声信号的重构信号，得到重现噪声信号，用实时噪声音频信号减去重现噪声信号/>，即可恢复出原始的实时音频信号，由于输入到网络中的信号只有一个频率成分，并且网络是一个线性系统，所以网络的输出为输入的正弦波的增减幅和变相，输出的频率与输入保持一致。因此，噪声信号减去重现的噪声后，噪声信号被滤除的是信号中的某个频率成分，其他频率成分不会因此改变，因此本发明可以有效去除噪声信号中的高斯窄带噪声。

在一个可行的实施方式中，与步骤203同理，若n＞1，则根据所述角频率重构所述高斯窄带噪声信号，获得的重构信号计算式如下：

;

其中，

表示第 i个高斯窄带噪声信号重构后得到的第i个重构信号；

表示第 i个高斯窄带噪声信号的角频率；

k表示自然数；

^`。

即，

;

……

;

如图4所示，对于多个高斯窄带噪声信号的自适应线性神经网络也包括一个一阶抽头延迟线和一个线性神经网络。与上述单个高斯窄带噪声信号的情况类似，多个高斯窄带噪声信号的自适应滤波器只能输出与输入一样的频率信号的叠加，用实时噪声音频信号减去自适应滤波器的输出（即多个模拟高斯窄带噪声重构信号的重现噪声信号的叠加）作为滤波结果。

205.将实时噪声音频信号减去重现噪声信号，获得所述原始实时音频信号。

自适应滤波器将获得重现噪声信号输入给相减器，相减器用于执行上述将实时噪声音频信号/>减去重现噪声信号/>的操作，获得实时原始音频信号/>。

在一个可行的实施方式中，在上述实施例的基础上，所述方法还包括：

206.将所述原始实时音频信号作为误差反馈给所述自适应线性神经网络，作为学习数据，以便所述自适应线性神经网络利用所述原始实时音频信号进行迭代收敛。

将滤波结果作为误差又反馈给自适应滤波器，作为自适应滤波器中线性神经网络的学习数据，自适应线性神经网络根据该学习数据逐步收敛迭代，最终提高模拟重构信号得到的重现噪声信号的稳定性和准确性，相减器通过实时噪声音频信号减去不断收敛后的重现噪声信号/>，会得到更准确的滤波后的实时原始音频信号/>，从而实现自适应滤波。

需要说明的是，自适应滤波器将反馈的滤波结果用于权值更新，线性神经网络训练采用Widrow-Hoff方法，该方法在尝试最小化误差反馈的过程中实现滤波去噪。权值w与偏置值b的更新计算式如下所示：

;

式中，

α表示学习率；

e表示误差反馈信号；

初始的权值以及偏置值由系统随机生成。

本发明实施例通过快速傅里叶变换算法提取需要传输的实时噪声音频信号中保护的高斯窄带噪声信号的角频率；根据所述角频率重构所述高斯窄带噪声信号，获得重构信号；利用自适应线性神经网络对所述重构信号进行模拟，获得重现噪声信号；将实时噪声音频信号减去重现噪声信号，即可获得所述原始实时音频信号。由于输入到线性网络中的信号为实时噪声音频信号包含的高斯窄带噪声信号的重构信号和重构延迟信号，该重构信号是根据高斯窄带噪声信号的角频率进行重构的，而重构延迟信号是基于高斯窄带噪声信号的角频率做相移获得的，因此，输入到自适应线性网络中的信号只有一个频率成分，且该网络是一个线性系统，因此，该网络的输出为输入的正弦波的增减幅和变相，输出的频率与输入保持一致。因此，利用自适应线性神经网络对上述重构信号进行模拟，得到的重现噪声信号，其频率与高斯窄带噪声信号的角频率相近；而噪声信号被滤除的原理是滤除信号中的某个频率成分，其他频率成分不会改变；因此，将实时噪声音频信号减去该重现噪声信号，即可获得滤除了高斯窄带噪声信号的实时原始音频信号，即本发明最终获得的滤波结果；因此，本发明技术方案可以有效去除噪声信号中的高斯窄带噪声；相较于现有技术，本发明通过试验证明，信噪比提高11dB，并且算法实时性强，初始化仅需82 ms，音频采样点处理速度高达102kHz，可以实时的对消防服摩擦声、氧气屏产生氧气的机械声和电子电路产生的热噪声等高斯环境噪声进行滤除，确保现场语音音质清晰、实时性强，满足现场工作人员的需求；另外，在只需一次FFT变换的情况下，即可实现实时音频信号滤除高斯窄带噪声信号的目的，极大地降低了处理时延，有效提高算法的实时性；且利用线性网络就可以实现上述滤波目的，滤波流程简单，无需复杂的网络模型，使得在低功耗设备中也能轻松实现；解决了现有技术中实时音频滤除窄带噪声算法实时性差及滤波流程复杂的技术问题。

如图5所示，本发明实施例还提供了一种电子设备，该电子设备包括，中央处理单元（CPU）501，其可以根据存储在只读存储器（ROM）502中的程序或者从存储部分508加载到随机访问存储器（RAM）503中的程序而执行各种适当的动作和处理。在（RAM）503中，还存储有系统操作所需的各种程序和数据。CPU501、ROM502以及RAM503通过总线504彼此相连。输入/输出（I/O）接口505也连接至总线504。

以下部件连接至I/O接口505：包括键盘、鼠标等的输入部分506；包括诸如阴极射线管（CRT）、液晶显示器（LCD）等以及扬声器等的输出部分507；包括硬盘等的存储部分508；以及包括诸如LAN卡、调制解调器等的网络接口卡的通信部分509。通信部分509经由诸如因特网的网络执行通信处理。驱动器510也根据需要连接至I/O接口505。可拆卸介质511，诸如磁盘、光盘、磁光盘、半导体存储器等，根据需要安装在驱动器510上，以便于从其上读出的计算机程序根据需要被安装入存储部分508。

附图中的流程图和框图，图示了按照本发明各种实施例的系统、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上，流程图或框图中的每个方框可以代表一个模块、程序段或代码的一部分，所述模块、程序段或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意，在有些作为替换的实现中，方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如，两个接连地表示的方框实际上可以基本并行地执行，它们有时也可以按相反的顺序执行，这依所涉及的功能而定。也要注意的是，框图和/或流程图中的每个方框，以及框图和/或流程图中的方框的组合，可以用执行规定的功能或操作的专用的基于硬件的系统来实现，或者可以用专用硬件与计算机指令的组合来实现。

作为另一方面，本发明还提供了一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，所述计算机程序被处理器执行时实现上述实施例所述的一种实时音频滤除窄带噪声的方法的部分或全部步骤。

以上描述仅为本发明的较佳实施例以及对所运用技术原理的说明。本领域技术人员应当理解，本发明中所涉及的发明范围，并不限于上述技术特征的特定组合而成的技术方案，同时也应涵盖在不脱离所述发明构思的情况下，由上述技术特征或其等同特征进行任意组合而形成的其他技术方案。例如上述特征与本发明中公开的(但不限于)具有类似功能的技术特征进行互相替换而形成的技术方案。

Claims

1.一种实时音频滤除窄带噪声的方法，其特征在于，包括：

接收需要传输的实时噪声音频信号，所述实时噪声音频信号包含原始实时音频信号和至少一个高斯窄带噪声信号；

基于快速傅里叶变换算法提取所述实时噪声音频信号中高斯窄带噪声信号的角频率；

根据所述角频率重构所述高斯窄带噪声信号，获得重构信号；

利用自适应线性神经网络对所述重构信号进行模拟，获得重现噪声信号；

将实时噪声音频信号减去重现噪声信号，获得所述原始实时音频信号。

2.如权利要求1所述的实时音频滤除窄带噪声的方法，其特征在于，基于快速傅里叶变换算法提取所述实时噪声音频信号中高斯窄带噪声信号的角频率，计算式如下：

；

其中，

x表示所述实时噪声音频信号的时域序列；

N表示所述实时噪声音频信号的时域序列长度；

e表示自然常数；j表示单位虚数；

k表示自然数。

3.如权利要求2所述的实时音频滤除窄带噪声的方法，其特征在于，根据所述角频率重构所述高斯窄带噪声信号，获得重构信号，计算式如下：

;

其中，

v[k]表示重构信号；

表示高斯窄带噪声信号的角频率；

k表示自然数。

4.如权利要求3所述的实时音频滤除窄带噪声的方法，其特征在于，利用自适应线性神经网络对所述重构信号进行模拟，获得重现噪声信号，包括：

利用抽头延迟线对所述重构信号进行一阶延迟，得到延迟重构信号；

利用自适应线性神经网络对所述重构信号和所述延迟重构信号进行线性处理，获得重现噪声信号。

5.如权利要求4所述的实时音频滤除窄带噪声的方法，其特征在于，利用抽头延迟线对所述重构信号进行一阶延迟，包括：

对所述重构信号做一次相移，相移量为所述高斯窄带噪声信号的角频率。

6.如权利要求5所述的实时音频滤除窄带噪声的方法，其特征在于，利用自适应线性神经网络对所述重构信号和所述延迟重构信号进行线性处理，获得重现噪声信号，包括：

;

其中，

表示线性神经网络的输出；

b表示偏置；

v[k]表示重构信号，为线性神经网络的本次输入；

v[k-1]表示延迟重构信号，为线性神经网络的上一次输入；

r[k]表示重现噪声信号；

表示高斯窄带噪声信号；其计算式如下：

;

其中，

表示高斯窄带噪声信号的频率；

表示高斯窄带噪声信号的相位；

。

7.如权利要求1~6任一项所述的实时音频滤除窄带噪声的方法，其特征在于，还包括：

将所述原始实时音频信号作为误差反馈给所述自适应线性神经网络，作为学习数据，以便所述自适应线性神经网络利用所述原始实时音频信号进行迭代收敛。

8.一种实时音频滤除窄带噪声的系统，其特征在于，包括：

9.一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现如权利要求1~7任一项所述的一种实时音频滤除窄带噪声的方法的步骤。

10.一种电子设备，所述设备包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序，其特征在于，所述处理器执行所述计算机程序时实现如权利要求1~7任一项所述的一种实时音频滤除窄带噪声的方法的步骤。