本文關(guān)鍵詞：自回歸模型驅(qū)動(dòng)的語音增強(qiáng)算法研究　出處：《北京工業(yè)大學(xué)》2016年碩士論文　論文類型：學(xué)位論文

  更多相關(guān)文章： 語音增強(qiáng) 自回歸模型 隱馬爾可夫模型 碼書驅(qū)動(dòng) 維納濾波

【摘要】：語音增強(qiáng)旨在抑制含噪語音中的噪聲并保證增強(qiáng)語音的質(zhì)量。傳統(tǒng)語音增強(qiáng)算法如譜減法、維納濾波法等,不適合處理非平穩(wěn)噪聲,是因?yàn)闆]有考慮信號(hào)的先驗(yàn)信息。為解決這一問題,一類基于信號(hào)先驗(yàn)信息的語音增強(qiáng)算法應(yīng)運(yùn)而生,其中最具代表性的當(dāng)屬基于隱馬爾科夫模型(Hidden Markov Model,HMM)的語音增強(qiáng)算法和基于碼書的語音增強(qiáng)算法。這類算法線下利用HMM或碼書存儲(chǔ)語音和噪聲的自回歸(Auto-regressive,AR)譜形狀先驗(yàn)信息,線上結(jié)合某些參數(shù)估計(jì)器估計(jì)語音和噪聲的AR模型參數(shù),包括AR譜形狀和譜增益,并利用獲得的AR模型參數(shù)構(gòu)建維納濾波器增強(qiáng)含噪語音。因?yàn)楣烙?jì)的AR譜增益能夠快速追蹤線上噪聲能量,所以可以較好地處理非平穩(wěn)噪聲,但該類算法仍然存在一些問題。例如,傳統(tǒng)并行HMM(Parallel HMM,PHMM)語音增強(qiáng)算法忽略了訓(xùn)練集與測試集能量不匹配問題,傳統(tǒng)碼書驅(qū)動(dòng)語音增強(qiáng)算法AR模型參數(shù)估計(jì)精度不高、無法抑制諧波噪聲和噪聲需要分類等問題。為此本文提出了相應(yīng)解決方法。本文的研究工作主要包含以下三部分內(nèi)容:第一,基于傳統(tǒng)的PHMM語音增強(qiáng)算法原理,本文提出了一種增益自適應(yīng)的PHMM語音增強(qiáng)算法。該算法將自回歸(Auto-Regressive,AR)譜系數(shù)和梅爾頻率譜(Mel-Frequency Spectral,MFS)系數(shù)作為并行特征,用于訓(xùn)練PHMM,所得PHMM由AR-HMM和MFS-HMM構(gòu)成,其中AR-HMM用于估計(jì)維納濾波器,而MFS-HMM用于獲得維納濾波器的加權(quán)值。同時(shí),所提算法引入了兩個(gè)能量增益因子用于自適應(yīng)調(diào)整線上語音和噪聲能量,解決了訓(xùn)練集與測試集之間能量不匹配問題,提高了算法的魯棒性。第二,基于傳統(tǒng)的碼書驅(qū)動(dòng)語音增強(qiáng)算法原理,本文提出了一種利用馬爾科夫過程和語音存在概率的碼書驅(qū)動(dòng)語音增強(qiáng)算法。該算法利用馬爾科夫過程對相鄰幀間碼字的相關(guān)性建模并用于優(yōu)化貝葉斯參數(shù)估計(jì)器,提高了AR模型參數(shù)估計(jì)精度。同時(shí),該算法將語音存在概率與碼書驅(qū)動(dòng)維納濾波器相結(jié)合,解決了傳統(tǒng)碼書方法無法抑制含噪語音諧波間噪聲的問題,保證了增強(qiáng)語音的感知質(zhì)量。最后,針對傳統(tǒng)碼書驅(qū)動(dòng)語音增強(qiáng)算法中AR譜增益估計(jì)精度不高以及噪聲分類問題,本文提出了一種基于AR譜增益乘法迭代估計(jì)的碼書驅(qū)動(dòng)語音增強(qiáng)算法。該算法利用線上噪聲估計(jì)模塊獲得的噪聲AR譜形狀取代線下訓(xùn)練噪聲譜形狀碼書,并采用乘法迭代估計(jì)方法估計(jì)AR譜增益,這不僅解決了噪聲分類問題,而且提高了譜增益的估計(jì)精度,所獲得的增強(qiáng)語音能量保留更高,殘余噪聲更少。
[Abstract]:......
【學(xué)位授予單位】：北京工業(yè)大學(xué)
【學(xué)位級(jí)別】：碩士
【學(xué)位授予年份】：2016
【分類號(hào)】：TN912.35
，

本文編號(hào)：1396517