《一种基于盲源提取的子空间语音增强算法》由会员分享，可在线阅读，更多相关《一种基于盲源提取的子空间语音增强算法（5页珍藏版）》请在金锄头文库上搜索。
1、 一煎 堡 一 照 壁 UJl A N CO M PUT筵R 一种基于盲源提取的子空间语音增强算法 姜树彪 ( 福州大学福建福 州3 5 0 1 0 0 ) 【 摘 要 】 ： 本文提 出了一种单麦克风下的间接语音增强算法。 该算法基于两个重要模块： 第一个模 块， 采用基于均方协差预测的盲源提取算法将附加噪声从嘈杂的语音信号中提取出来。 第二个模块， 利 用了一种基于语音和附加噪声协方差矩阵的广义子空间方法， 提取纯净的语音信号。对该算法进行了 白噪声环境和嘈杂火车等真实环境噪声下的仿真实验。实验结果表明， 提出的算法有良好的语音增强 效果， 性能上与其他算法比较有明显的优势。 将算法应用于
2、噪声环境下的语音识别处理中， 很大程度地 降低 了噪 声对语音识别的影响 ， 取得 了良好的识别率。 【 关键词】 ： 盲源提取； 语音增强； 自回归参数； 子空间方法； 语音识别 I 引 言 语音是人类相互之间进行交流时使用最多、 最 自 然、 最基本也是最重要的信息载体。然而 ， 在现实环境 中， 语音信号不可避免的会受到外界噪声的干扰 。研 究语音增强， 是因为它能将重要的语音信号从嘈杂的 噪音中分离出来 ， 将噪声的影响尽可 能减少。语音增 强的应用非常广泛， 如语音通信、 浊音的控制系统、 传 输语音信号以及语音识别。 如今，在语音增强方面已经发展了许多算法 ， 如 谱减法 l J
3、、 维纳滤波法2 1 、 卡尔曼滤波算法3 1 14 1 和子空间 算法等5- 7 。但是， 这些算法大多专注于怎样从带噪语 音 中直接估计出语音信号 。如传统的谱减法 ， 通过直 接从带噪语音中估计噪声功率谱 ， 然后将带噪语音的 功率谱减去噪声 的功率谱得到语音 的功率谱估计， 最 后用逆傅立叶变换恢复得到时域信号。卡尔曼滤波算 法和子空 间算法也是直接从带噪语音估计出 自回归 参数和协方差矩阵等条件 ， 进而提取 出纯净语音 。值 得注意的是 ，由于纯净 的语音信号并不总是活跃 的， 而 附加噪声一般情况下却是， 因此当语音信号处于沉 默期的时候附加噪声便成为主导， 从而使 附加噪声 的
4、 估计显得更直截 了当。在这种理论基础 上， 本文提 出 了一种间接语音增强算法 。首先 ， 使用基于均方协差 预测算法( M S C P E 1 的盲源提取( B S E ) 方法估计出附加 噪声嘲 ， 然后再利用估计 出来 的附加噪声通过子空间 算法达到语音增强的 目的71 。 本文的结构如下 。在第 二节 中， 详细介绍了基于 均方协差预测算法( M S C P E ) 的盲源提取方法。在第三 节中， 给出了结合第二节结果的子空 间算法的具体实 现步骤。在第 四节 中， 我们介绍 了抗噪声语音识别系 统。在第五节中， 我们列出了语音增强和语音识别实 验结果， 并对其进行了分析对 比。第六
5、节是对本文 的 总结。 l I 基于 MS C P E的 B S E算法 本节我们将 展示基于 MS C P E的噪声估计算 法 8 1 l9 l。假设 S ( 凡 ) 是 K维纯净语音信号， V( n ) 是 K维附加 噪声 ， 而 X( n ) 是 K维带 噪语 音 ， 则基 于 MS C P E的 B S E算法模型可表示为： X( ) = ( 凡 ) + -s ( n ) ( 1 ) 这里 ， 我们将 V( ) 看成期望提取的信号， 则 S( n ) 就变成了附加噪声。 算法研究的是一个 K维的随机信 号向量 ( n ) ， 它表示为 ( n ) = A X( 凡 ) 。其中， A是一
6、个 混合矩阵， X( ) 是源信号向量 。所介绍算法 的目的就 是要找出一个向量 ( I ) ， 使得 Y ( n ) = to r T ( n ) ， 而 Y ( n ) 就是 估计的噪声信号。 算法的一个主要假设是 附加 噪声 V( n ) 的 A R参 数是可以被估计的。在这里， 我们用的是一个 V A D算 、法【 砌 ， 在带噪语音 的沉默期估计噪声 A R参数。设 A R 模型阶数是 P ， 瞬时误差( P E ) 用 e ( n ) 表示 ， 则有 ： e ( 力 ) = ( ) -b 】 ， ( “ ) b = 6 1 ， 6 2 ， ， b p ( 2 ) y ( 刀 ) =
7、 y ( n - 1 ) ， y ( n 一 2 ) ， ， y ( n ) 】 其中b 是 P阶噪声A R参数。根据前面我们所提 到的， Y ( ) = t o r T ( n ) ， 代入 ( 2 ) 有 ： e ( ) = ( ) 一b 】 ， ( ) ： ( ) 一 ， 6 2 ， ， b q 】 2 0 1 3 年 第1 0 期 I 福建电脑 9 5 一一一一一一一 6 T ( n 1 ) ， co T ( n 一 2 ) ， - 一 ， co T ( n p ) r ： _ co T 2，b f( n - i ) ( 3 ) 厂P 、 = I T ( n ) - b T ( n f
8、 ) I i= 1 令 ， ，P 、 z ( ，2) = I ( ) 一 ( 一 f) I ( 4 ) 、 i = l 则有 P ( ) =c D A z ( n ) =z ( n ) A c P ( n-q ) =( o r A z ( 一g ) ：z ( n -q ) A ( 5 ) 若 选用协预测误差均值罔 作为代 价函数 ， 输 出 v 就能表示为 E( e ( n ) e ( n q ) ) ， 这里 q是误差延迟 。由 ( 5 ) 可 以推导出： E( e ( n ) e ( n q ) ) = to T A Z( q ) A ( 6 ) 其 中， Z( q ) = E ( z (
9、 n ) z ( n q ) ) 。 在此基础上， 一个新 的代价 函数均方协预测误差( MS C P E ) 被提出来【 8 】 。 新代 价函数表示如下 ： J q ( ( 1 ) ) = toT AZ( q ) Z ( q ) A ， 0 0 ( 1 5 ) 这里 M就是估计的语音信号子空 间的维数 。 通过如下公式得到最优线性估计 ： g z ( ) 2 z ( m )，1 ( 1 6 ) Q=d i a g q ( 1 ) ， q ( 2 ) ， ， q x ( ) ： 一 堡 量煎 J i AN C O M UT鞋张 用户的数据业务清单进行分析 ， 以获取用户 的喜好 内 容。因此
10、 ， 对其进行分析 的结果可以提供查询指定用 户消费习惯的数据， 将其 能力名定义为 Q C C F 。 出于用 户隐私信息保护的考虑， 该能力不允许提供给外部调 用。但可作为一个内部私有 能力 ， 在进行批量数据分 析， 分析结果不体现个人信息的场景下使用 。 5应 用 根据 以上封装 的能力， 就其商业化应用方式举例 如下： 一、交通流量预测 可基于 以上设计的 Q P F能力， 开发交通流量预测 AP P ， 通过对 Q P F能力 的调用 ， 实 时获取市 区主干 道 上的交通流量情况，对某条交通路线进行拥堵分析 ， 获取最优的行车路线 。 二、最佳店面地点选择 基于 Q P F 、
11、Q C F C 、 Q C C F能力， 可对某一区域主要 活动人群的消 费能力和消费习惯进行分析预测 ， 结合 店面销售货 品的类别，根据各类人流量 的分布情况 ， 可以预测最佳门面位置 。 三、最佳营销活动的位置、 地点选择 基于 Q P F 、 Q C F C 、 Q C C F能力 ， 可对某一区域主要 活动人群的消费能力和消费习惯以及活动时间进行 分析预测， 结合营销活动 的内容和 目的， 对促销 、 广告 等活动 的最佳物理位置、 营销活动进行时间等进行预 测。 四、运营商 自身发展新用户 基于 Q P F能力， 可对运营商 自身的客户覆盖 区域 进行分析 ， 根据用 户覆盖率 的
12、具体情况 ， 针对不 同区 域 的用户覆盖率选择差异化的营销策略 ， 如： 用户覆 盖率高的区域可选择 以老用户维系为主的营销策略， 用户覆盖率低 的区域 ， 可选择拓展新用户为主的营销 策略 。 五、运营商 自身网络优化 基于 Q P F能力， 可对运营商 自身的客户覆盖区域 进行分析 ， 根据用 户覆盖率 的具体情况 ， 针对不 同的 网络覆盖率进行物理基站网络 调优分析 ， 如： 分析用 户覆盖率低的区域是由于业务发展力度不够还是基 站设置不合理导致； 用户覆盖率高 的区域是否是需要 增加基站或者在某些 固定的时间点增加移动基站 以 增强通讯能力等。 6结论 电信运营商在中国拥有庞大的用
13、户群和市场， 利 用 自身拥有的海量数据 ， 探索 以大数据为基础的解决 方案， 是电信运营商产业升级、 效率提高的重要手段。 数据挖掘不仅 能够成为 电信运营商竞争力的来源， 而 且有助于电信运营商早 日摆脱祓 管道化 ” 窘境 。 参考文献 ： 1 聂颖， 易强， 江红， 田增山， 熊思民 C DMA无线定位 系统的 基站选择算法 电讯技术， 2 0 0 4第 1 期 2 英 维克托 迈尔一舍恩伯格 ， 英 肯尼思 库克耶著， 盛 杨燕， 周涛译 大数据时代 浙江人民出版社 2 0 1 3 年 0 1月0 1日 出版 3 美纳特 西尔弗( Na t e S i l v e r ) 著， 胡
14、晓姣， 张新 ， 朱辰辰译 信号与噪声 中信出版社 2 0 1 3年 0 9月0 1日出版 ( 上接第 9 8页) no1 2， P P1 5 86-1 6 0 4， De c 1 97 9 3 M G a b r e a ， “ Ro b u s t A d a p ti v e K a l ma n F il t e r i n g b a s e d S p e e c h En h a n c e me n t Al g o r i t h m， ”i n P r o c I CAS S P 0 4 ， P P 3 0 1 口 3 0 4 1 4 J G a b r e a M Ro
15、b u s t A d a p ti v e K al ma n fi l t e r f o r S p e e c h S i g n a l Re c o v e r y i n Co l o r e d n o i s e C P r o c I CA S S P 2 0 0 4 ： 6 1 6 4 1 5 J A Re z a y e e a n d S G a z o r ，” A n a d a p t i v e K L T a p p r o a c h f o r s p ee c h e nh an c e me nt ， ”I EEE Tr a ns S p e e c h Aud i o Pr o c e s s i n g，vo 1 9 ， p p 8 7 9 5 ， F e b 2 0 0 1 1 6 J Y E p h r a i m a n d H L Van T r e e s ， ” A s i gna l s u b s p a c e a p p r o a c h f o r s p e e c h e nh an c e
