本文關(guān)鍵詞：基于語(yǔ)音存在不確定度的碼書(shū)驅(qū)動(dòng)語(yǔ)音增強(qiáng)方法研究，由筆耕文化傳播整理發(fā)布。

【摘要】：經(jīng)過(guò)40多年的發(fā)展,研究者們提出了許多語(yǔ)音增強(qiáng)算法,如譜減算法、維納濾波算法和基于統(tǒng)計(jì)模型的算法。這些算法在平穩(wěn)噪聲環(huán)境下能取得較好的增強(qiáng)效果,而在處理非平穩(wěn)噪聲時(shí),其算法性能下降嚴(yán)重。碼書(shū)驅(qū)動(dòng)算法克服了上述算法的局限性,即使在非平穩(wěn)噪聲環(huán)境下仍然能獲得較好的增強(qiáng)效果。碼書(shū)驅(qū)動(dòng)算法將語(yǔ)音和噪聲的自回歸(Auto-Regressive,AR)系數(shù)作為先驗(yàn)信息進(jìn)行線下訓(xùn)練存儲(chǔ)在碼書(shū)中,并在線上通過(guò)對(duì)數(shù)譜失真準(zhǔn)則估計(jì)各自對(duì)應(yīng)的AR增益,所獲得的AR參數(shù)用于構(gòu)建維納濾波器,從而增強(qiáng)帶噪語(yǔ)音信號(hào)。但是碼書(shū)驅(qū)動(dòng)算法仍然存在三方面不足:一是碼書(shū)驅(qū)動(dòng)算法的AR參數(shù)估計(jì)不準(zhǔn)確,導(dǎo)致在靜音段仍然殘留大量背景噪聲;二是該算法只考慮提高語(yǔ)音的幅度譜估計(jì)性能,卻忽略了語(yǔ)音的相位譜估計(jì);三是傳統(tǒng)先驗(yàn)碼書(shū)只對(duì)語(yǔ)音和噪聲的譜包絡(luò)建模,而沒(méi)有對(duì)其譜細(xì)節(jié)進(jìn)行建模,這造成增強(qiáng)語(yǔ)音的諧波間仍然殘留大量的背景噪聲。針對(duì)上述三點(diǎn)不足,本文提出了如下改進(jìn)方法:1.針對(duì)碼書(shū)驅(qū)動(dòng)算法的AR參數(shù)估計(jì)不準(zhǔn)確問(wèn)題,本文提出了一種基于語(yǔ)音存在不確定度的碼書(shū)驅(qū)動(dòng)語(yǔ)音增強(qiáng)算法。該算法在原始Bayesian參數(shù)估計(jì)框架中考慮了兩種假設(shè),即語(yǔ)音存在假設(shè)和語(yǔ)音不存在假設(shè)。與傳統(tǒng)方法不同,語(yǔ)音和噪聲的AR參數(shù)的Bayesian估計(jì)是在兩個(gè)假設(shè)條件下得到的AR參數(shù)估計(jì)的加權(quán)和,其中的加權(quán)系數(shù)是線上基于幀變化的語(yǔ)音存在概率(speech presence probability,SPP)和語(yǔ)音不存在概率(speech absence probability,SAP)。增強(qiáng)語(yǔ)音譜仍然由重構(gòu)的維納濾波器得到。由于所提算法在Bayesian框架中結(jié)合了SPP和SAP,因此能夠提高AR參數(shù)的估計(jì)精度。2.針對(duì)傳統(tǒng)碼書(shū)驅(qū)動(dòng)算法忽略語(yǔ)音相位譜估計(jì)的問(wèn)題,本文提出了一種純凈語(yǔ)音相位譜估計(jì)算法。該算法利用純凈語(yǔ)音、噪聲和含噪語(yǔ)音之間的向量關(guān)系得到含噪語(yǔ)音與純凈語(yǔ)音相位差的余弦表達(dá)式,進(jìn)而利用反余弦函數(shù)和含噪語(yǔ)音的相位得到純凈語(yǔ)音的相位估計(jì)。所估計(jì)的語(yǔ)音相位譜取代傳統(tǒng)含噪語(yǔ)音相位譜與增強(qiáng)語(yǔ)音幅度譜相結(jié)合來(lái)得到純凈語(yǔ)音信號(hào),進(jìn)一步提高了低信噪比下的增強(qiáng)語(yǔ)音的感知質(zhì)量。3.在前述的基于語(yǔ)音存在不確定度的碼書(shū)驅(qū)動(dòng)算法中,SPP和SAP存在估計(jì)精度不高以及無(wú)法抑制增強(qiáng)語(yǔ)音諧波間噪聲的問(wèn)題,為此,本文提出了一種基于貝葉斯AR參數(shù)估計(jì)的碼書(shū)驅(qū)動(dòng)語(yǔ)音增強(qiáng)算法。為了提高SPP和SAP的估計(jì)精度,該算法結(jié)合當(dāng)前幀和過(guò)去幀的含噪語(yǔ)音信號(hào)來(lái)估計(jì)語(yǔ)音和噪聲的AR參數(shù)。同時(shí),利用隱馬爾可夫模型(Hidden Markov Model,HMM)理論來(lái)推導(dǎo)SPP和SAP,并利用歸一化互相關(guān)系數(shù)對(duì)HMM中語(yǔ)音存在狀態(tài)和語(yǔ)音不存在狀態(tài)之間的轉(zhuǎn)移概率進(jìn)行調(diào)整,此外,該算法將基于頻點(diǎn)的語(yǔ)音存在概率與維納濾波器相結(jié)合,有效抑制了增強(qiáng)語(yǔ)音諧波間的噪聲。實(shí)驗(yàn)證明,所提算法要優(yōu)于參考算法。
【關(guān)鍵詞】：語(yǔ)音增強(qiáng) 碼書(shū)驅(qū)動(dòng) 語(yǔ)音存在不確定度 自回歸系數(shù) 隱馬爾可夫模型
【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(lèi)號(hào)】：TN912.35
【目錄】：

• 摘要5-7
• Abstract7-11
• 第1章 緒論11-21
• 1.1 課題背景11-12
• 1.2 國(guó)內(nèi)外研究現(xiàn)狀12-18
• 1.2.1 基于幅度譜估計(jì)的語(yǔ)音增強(qiáng)方法12-17
• 1.2.2 基于相位譜估計(jì)的語(yǔ)音增強(qiáng)方法17-18
• 1.3 研究目的18
• 1.4 研究?jī)?nèi)容18-19
• 1.5 論文結(jié)構(gòu)19-21
• 第2章 基于碼書(shū)驅(qū)動(dòng)的語(yǔ)音增強(qiáng)算法21-39
• 2.1 用于碼書(shū)驅(qū)動(dòng)語(yǔ)音增強(qiáng)的特征參數(shù)21-27
• 2.1.1 倒譜特征參數(shù)估計(jì)21-23
• 2.1.2 AR特征參數(shù)估計(jì)23-27
• 2.2 基于ML的碼書(shū)驅(qū)動(dòng)算法27-32
• 2.2.1 原理框圖28
• 2.2.2 算法原理28-32
• 2.3 基于Bayesian的碼書(shū)驅(qū)動(dòng)算法32-35
• 2.3.1 原理框圖32-33
• 2.3.2 算法原理33-35
• 2.4 特征參數(shù)與語(yǔ)音增強(qiáng)效果的關(guān)系35-38
• 2.5 本章小結(jié)38-39
• 第3章 基于語(yǔ)音存在不確定度的碼書(shū)驅(qū)動(dòng)語(yǔ)音增強(qiáng)算法39-59
• 3.1 算法框圖39-41
• 3.2 基于語(yǔ)音存在不確定度的Bayesian參數(shù)估計(jì)41-45
• 3.3 MCRA噪聲估計(jì)算法45-47
• 3.4 純凈語(yǔ)音相位估計(jì)算法47-49
• 3.5 算法性能測(cè)試49-58
• 3.5.1 三種客觀測(cè)試方法介紹49-50
• 3.5.2 測(cè)試結(jié)果及分析50-58
• 3.6 本章小結(jié)58-59
• 第4章 基于貝葉斯AR參數(shù)估計(jì)的碼書(shū)驅(qū)動(dòng)語(yǔ)音增強(qiáng)算法59-79
• 4.1 隱馬爾可夫模型59-62
• 4.1.1 Markov鏈59-60
• 4.1.2 HMM的基本元素60-61
• 4.1.3 HMM的基本算法61-62
• 4.2 算法框圖62-63
• 4.3 AR參數(shù)的Bayesian估計(jì)63-67
• 4.4 修正的維納濾波器67-70
• 4.4.1 基于固定先驗(yàn)似然比的改進(jìn)后驗(yàn)語(yǔ)音存在概率估計(jì)67-69
• 4.4.2 修正維納濾波器69-70
• 4.5 算法性能測(cè)試70-78
• 4.5.1 測(cè)試項(xiàng)及參考算法70-71
• 4.5.2 測(cè)試結(jié)果及分析71-78
• 4.6 本章小結(jié)78-79
• 結(jié)論79-81
• 參考文獻(xiàn)81-87
• 攻讀碩士學(xué)位期間所發(fā)表的學(xué)術(shù)論文87-89
• 攻讀碩士學(xué)位期間參加的科研項(xiàng)目89-91
• 致謝91

  本文關(guān)鍵詞：基于語(yǔ)音存在不確定度的碼書(shū)驅(qū)動(dòng)語(yǔ)音增強(qiáng)方法研究，由筆耕文化傳播整理發(fā)布。

，

本文編號(hào)：443849