基于小波变换的语音信号增强方法研究

基于小波变换的语音信号增强方法研究答辨人：黄苏雨专业：计算机应用技术内容提纲课题简介小波阈值去噪法基于能量元和新阈值规则的小波语音去噪方法结论和展望1.1论文背景人们在语音通信过程中不可避免的会受到来自周围环境、传输媒介引入的噪声、通信设备内部电噪声、乃至其它讲话者的干扰。而语音增强就是从带噪语音信号中提取尽可能纯净的原始语音,改善语音质量，提高语音的清晰度和可懂度。在实际应用中的信号都是非稳定的，特别对某些“严格非平稳”的语音段，传统方法模糊了语音的细节特征。而小波变换由于具有时-频局部化的特点及多分辨率分析的性质，为解决这一问题提供了有力的工具。小波变换能将语音信号在多个尺度上进行小波分解，利用语音信号和随机噪声在不同尺度的特性关系，对语音信号的进行去噪处理。1.2课题来源和性质课题来源“基于小波变换和神经网络的语音处理系统”子项目课题性质理论研究型1.3研究内容对语音增强方法的分析、研究和总结。对小波去噪的原理和小波去噪的方法进行了分析、研究和总结。对小波阈值去噪法中的阈值函数进行了研究。对小波阈值去噪法中的阈值选取规则进行研究与探讨。1.4本人所做工作综述主要的语音增强方法，分析各种方法的优缺点，展望了小波理论在去噪方面的应用。对三种小波去噪方法进行了分析、研究和总结。对阈值函数进行改进。针对软、硬阈值函数的不足，提出一种新阈值函数，对新阈值函数进行分析，并进行仿真实验。对阈值选取规则进行改进。根据能量元和Neyman-Pearson准则，针对语音信号的特点，本文给出一种基于能量元和新阈值规则的小波语音去噪法，并进行仿真实验。2.1小波阈值去噪法原理小波去噪法主要有小波模极大值去噪法、基于小波系数尺度间相关性的去噪法、小波阈值去噪法。小波阈值去噪法的主要原理:带噪信号进行小波变换；在不同尺度上选取合适的阈值；最后进行小波逆变换，得到去噪后的重构信号。预处理用小波变换作多尺度分解分尺度去噪反演小波变换含噪信号去噪后的信号2.2小波阈值去噪的相关问题基小波的选择根据小波基的性质和具体信号的特征选择合适的基小波。小波分解层数的选择对一般的信号而言，若信噪比20，则最大分解尺度取3，否则，最大分解尺度取4好。阈值函数阈值选择规则2.3阈值函数常用的硬阈值函数和软阈值函数.硬阈值函数:软阈值函数:,,,,||ˆ{0,||jkjkjkjk,,,,,()(||),||ˆ{0,||jkjkjkjkjksign2.4新阈值函数在实际应用中，为了克服软、硬阈值函数的不足，这里提出一种改进的阈值函数。其中图是在λ=1，γ=λ/3情况下的新阈值函数。,,,,,,,sgn()(1),||ˆ0,||2,1exp(2/)jkjkjkjkjkjkjk其它001a2.5新阈值函数的分析当时,新阈值函数可以看成是硬阈值函数和软阈值函数的折中表示。当时,通过对软阈值函数图形的分析，利用指数函数的特点，可以得到新的阈值函数如下：结合以上两种情况，并增加另一个阈值变量得到改进后的新阈值函数。,||jkw,jkw2(,)1cxyxxe(0)2.6仿真实验环境和参数以WindowsXP操作系统作为平台；使用Matlab6.5作为工具软件；经典测试信号：Blocks信号、Bumps信号、HeaviSine信号、Doppler信号。原始信号长度为1024；噪声为高斯白噪声，采用国际通用的NOISEX-92的噪声数据包；信噪比SNR=8dB，采用的小波基为sym8，最大分解尺度为4；新阈值函数取a=0.5，方法：新阈值函数法和传统软、硬阈值法。3/2.7仿真实验结果(一)图1四个被测试的原始信号图2四个被测试的带噪信号图3硬阈值方法去噪后的结果图图4软阈值方法去噪后的结果图2.7仿真实验结果(二)输出信噪比（SNR）最小均方误差（MSE）图5新阈值方法去噪后的结果图表1信噪比实验数据比较性能指标SNR硬阈值方法软阈值方法新阈值方法Blocks15.23716.41317.635Bumps16.15917.05418.267HeaviSine15.64917.34218.521Doppler16.34917.64819.064表2最小均方误差实验数据比较性能指标MSE硬阈值方法软阈值方法新阈值方法Blocks0.21560.18920.1635Bumps0.20460.17650.1483HeaviSine0.19670.17240.1531Doppler0.19750.17610.1491结论：相对传统软、硬阈值方法，运用新阈值函数的方法不仅能较好地反映原始信号的概貌，而且有良好的去噪效果。3.1小波语音去噪法的引入在小波阈值去噪的过程中，将信号部分增强，得到更好的去噪效果。Teager能量算子法：它在转化为Teager能量算子后小波系数不能还原，因此重构后信号的失真度较大。在大部分情况下，信号去噪不仅要求去除信号中地噪声，而且必须尽可能的恢复原始信号，以达到最佳地去噪效果。在去噪的过程中必须综合考虑去噪和避免失真这两方面的因素。3.2小波语音去噪法的原理(一)512345ScAcDcDcDcDcD能量元定义:设某数据序列为则该序列的能量元为其中称为能量元，N为序列中的数据长度。1,2,,{}iiNx211NNiiiiEEx2,1,2,,iiExiN语音信号的5层小波分解3.2小波语音去噪法的原理(二)将同一分辨率上小波变换后得到的小波系数从小到大排列,较小的噪声小波系数和较大的信号小波系数之间有一个临界区,信号和噪声的小波系数有可能混在一起,将小波系数序列转化为能量元可以将临界区内信号和噪声对应的小波系数之间的差异放大,更有利于Neyman-Pearson准则中虚警概率的确定。再利用该准则来确定各尺度上的小波阈值,进行信号去噪处理。临界区附近小波系数差异放大满足的前提条件:当时，进行能量元转化；当时，进行幅度拉伸处理，每一层的小波系数乘上拉伸系数。11/2a11/2a10.5/3.3阈值选取规则小波阈值的选取在小波阈值去噪法中是一个关键的问题。Stein无偏风险阈值通用阈值启发式阈值极大极小准则阈值Neyman-Pearson准则阈值3.4Neyman-pearson准则该准则目的在给定虚警率的条件下，使检测概率最大。由于本论文去除信号的噪声，故尽量将噪声去除，使得噪声的检测概率最大。根据Neyman-Pearson准则，可得阈值实际处理中，由于噪声方差在各个尺度上不同，可以得到各尺度上的阈值，随各尺度独立。2u22/2/2jjjuu222012(|)()22xttpHWYdWYedx3.5小波语音去噪法的步骤对带噪语音信号进行预处理;对每帧语音信号进行小波变换，得到各尺度上小波系数;对第一层小波系数进行判断;将每个系数进行处理，转化为能量元；设定虚警概率，根据Neyman-Pearson准则，得到各尺度上的阈值;采用新阈值函数对小波系数能量元进行阈值处理;系数还原;小波逆变换.3.6仿真实验和分析实验环境包括：1、以WindowsXP操作系统作为平台；2、使用Matlab6.5作为工具软件；3、实验设备为一台CPU为赛扬2.0，内存为256M的计算机；4、录音软件为CoolEditPro2.1；5、话筒一个。实验参数包括：原始语音样本：女声语音“大家好”；数据长度22050点，采样频率16kHz，以12bit进行量化;噪声为高斯白噪声，采用国际通用的NOISEX-92的噪声数据包;虚警率为001.0/23.3/2jj3.7阈值选取对比的仿真实验传统小波软阈值方法采用启发式阈值选取规则采用小波基sym8，分解层次5，信噪比SNR=8db；阈值选择的仿真实验图结论:新算法优于传统的小波软阈值去噪法，不仅较好的提高了信噪比，同时也保留了真实信号对应的小波系数，减少了有用信号的丢失。语音“大家好”在阈值选择比较的实验结果表原始语音SNR=8软阈值算法新算法去噪后SNR13．25715．326MSE0．12910．08153.8不同信噪比下的仿真实验(一)图1原始SNR=2时的实验结果图图2原始SNR=4时的实验结果图图3原始SNR=8时的实验结果图图4原始SNR=16时的实验结果图3.8不同信噪比下的仿真实验(二)实验结果分析原始信噪比相对比较高时，新算法能较好地反映原始信号的概貌,而且有良好的去噪效果。原始信噪比比较低时，传统方法处理后丢失大量有用信息，而新算法在保证信噪比有较大提高的同时，较好地保留了原始语音信号的信息，减少了语音失真。原始语音SNR传统小波软阈值法去噪后SNR新算法去噪后SNRSNR=25.32487.3245SNR=47.84279.2431SNR=810.273412.6354SNR=1620.369423.1583原始语音SNR传统小波软阈值法去噪后MSE新算法去噪后MSESNR=20．15750．0532SNR=40．13850．0467SNR=80．10960．0423SNR=160．08950．0397女声语音“大家好”在不同信噪比下的SNR和MSE实验结果表4.结论和展望结论和创新之处：提出了一种新阈值函数。仿真实验表明，相对于传统方法，新阈值函数法不仅能较好地反映原始信号的概貌，而且有良好的去噪效果。根据能量元和Neyman-Pearson准则，针对语音信号的特点，提出了一种基于能量元和新阈值规则的小波语音去噪方法。仿真实验表明，相对于传统方法,不仅能够有效地去除噪声，而且保留了语音信号的一些重要特征。4.结论和展望展望：小波基和分解层数的选择；部分参数需要人为设定；仿真实验所用噪声；