《语音信号去噪论文》由会员分享，可在线阅读，更多相关《语音信号去噪论文（27页珍藏版）》请在金锄头文库上搜索。
1、优质文档目 录第一章 绪论11.1课题的来源和意义11.2.噪声对语音信号的影响11.3语音信号去噪的开展状况21.4去噪效果评价方法21.5本文主要内容3其次章 小波变换原理42.1小波根本理论4小波变换的定义4小波变换的时域辨别特性4几种常用的小波52.2小波去噪的根本原理72.3小波去噪方法72.4小波阈值法去噪9小波阈值降噪原理9小波阈值去噪方法10小波阈值选取规那么102.5小波阈值法去噪仿真试验及结果分析12第三章 小波包变换去噪193.1小波包理论193.2小波包分析193.3小波包去噪原理203.4小波包去噪法仿真试验及结果分析21结 论25谢 辞26参考文献27优质文档第一章
2、 绪论1.1课题的来源和意义随着3G时代的到来, 移动电话正成为人们信任的得力助手。而移动终端最根本的功能语音通信那么还在受到环境噪声和其他语音的干扰,使通话质量受到制约。所以,语音信号在传输之前尽可能得到净化,对于提高语音通信质量是特别关键的。传统的语音降噪方法大体分为四大类:噪音对消法、谐波增加法、基于语音生成模型的增加法和基于短时谱的增加法。但由于语信号的困难性和非平稳性, 特殊是清音没有明显的时域和频域特征，特别类似于白噪音，这些传统的降噪算法还不尽人意。噪音对消法要求采集到的噪声能够足够“逼真”含噪语音中的噪声，这在实际应用中是特别困难的。谐波增加法必需准确地估计出语音信号的基音周期
3、，这在强噪音干扰下也非易事；基于语音生成模型虽然能够大幅度地提高信噪比，但会使语音信号有不同程度的失真；基于短时谱的增加算法以短时傅立叶变换STFT为根底，而STFT从本质上是一种单辨别率的信号分析方法。对非平稳信号，当信号变更猛烈时,。要求有较高的时间辨别率，当信号变更平缓时要求有较高的频率辨别率。由于STFT运用固定窗宽，无法同时兼顾上述两者, 因而也很难获得较好的效果。小波变换属于时频分析方法，它具有多辨别率的特征。即在低频局部具有较高的频率辨别率和较低的时间辨别率，在高频局部具有较高的时间辨别率和较低的频率辨别率，很适合探测语音中夹带的瞬态异样变更的信号。并能展示出其成分, 因此被誉为
4、数字显微镜。小波变换是一种信号的时间-尺度时间-频率分析方法，它具有多辨别率分析Multiresolution Analysis的特点，而且在时频两域都具有表征信号局部特征的实力，是一种窗口大小固定不变但形态变更的时频局部化分析方法。即在低频局部具有较高的频率辨别率和较低的时间辨别率，在高频局部具有较高的时间辨别率和较低的频率辨别率，很适合于探测正常信号中夹带的瞬态反常现象并展示其成分，所以小波变换用于语音信号的去噪是近些年来比拟热门的方法1。1.2.噪声对语音信号的影响在语音通讯中，当发送者处于强噪声的环境下，如：电厂、轻型飞机、装甲车辆、机制车间等地时，就会在接收端接收的语音信号中含有大量
5、的噪声，导致听不清或者听不懂。甚至造成语音通信的中断。当存在噪声干扰时，我们接收到的是噪声和纯洁语音混合在一起的信号，相对于纯洁语音，含噪语音的统计特性将依据噪声源特性、噪声统计规律、噪声干扰语音的方式、噪声幅度等因素而发生变更。变更的结果使得纯洁语音的特征分布原来是高斯的，此时此刻是非高斯的，均值和方差等参数也会发生变更。总之，噪声的影响使得原来纯洁语音的模型对于含噪语音来说失效，从而造成识别性能的急剧下降。因此提出了在发送端将混入语音中的噪声消退的必要性。同样，语音降噪技术是语音信号识别系统的重要组成局部，在含噪语音信号中很难提取准确的语音特征参数，大量的探究说明在识别语音信号之前，有必要
6、进展语音降噪。1.3语音信号去噪的开展状况语音信号在传输和检测过程中,不同程度地受随机噪声的污染,特殊是在小信号采集和测量中,噪声干扰显得尤其紧要。因此,如何消退实际语音信号中的噪声, 从混有噪声的信号中提取有用信息始终是现代语音处理学科探究的焦点之一。目前主要用于语音除噪的技术有傅里叶变换、WFT 和小波变换。由于傅里叶变换采纳的是恒定窗口技术,因此存在时域和频域局部化的冲突,不利于语音信号的去噪。WFT把信号划分成很多小的时间间隔,用傅里叶变换分析每一个时间间隔, 以便确定该时间间隔存在的频率。然而通常盼望它的时频窗形态是自适应变更的,即对低频信号,其窗口形态自动变得扁平；对高频信号, 其
7、窗口自动变得瘦长, 很明显WFT对此无能为力。为了解决这一缺乏,20世纪80 年头,人们提出了小波理论。小波分析供应了一种自适应的时域和频域同时局部化的分析方法,无论分析低频或高频局部信号,它都能自动调整时频窗口,以适应实际分析的须要, 可以对信号的随意局部细微环节加以分析。因此,小波以其具有时频局部化特点, 给语音信号的除噪供应了新的解决途径。目前,利用小波分析进展语音信号除噪已经引起了很多探究者的留意。常采纳的有维纳滤波、卡尔曼滤波、阈值法去噪。对于维纳滤波,要求带噪信号参数固定,适用于平稳的随机信号(语音信号是非平稳信号) ；对于卡尔曼滤波,因参数是时变的, 适应于非平稳信号,但他要求噪
8、声和信号的统计特性是先验确定的；对于阈值去噪法,如何选择阈值和进展阈值量化的方式是关键,这干脆影响到信号消噪处理的质量。当采纳同一种小波对同一个信号进展去噪处理的时候, 阈值的选取干脆关系到去噪效果的优劣。假如阈值选取过小,那么有一局部的噪声小波系数将不能被置零,从而在去噪后的信号中保存了局部噪声信息,使去噪的效果变差假如阈值选取偏大,那么会将一局部有用信号去掉, 使得去噪后的信号丧失有用信息。事实上,单纯对语音信号进展阈值处理是不够的,为了到达更高的信噪比,同时保证语音信号不失真, 须要对语音信号进展综合分析。1.4去噪效果评价方法由于影响小波去噪效果的因素很多，选择不同小波基函数，不同的阈
9、值，不同的分解尺度，其去噪的效果都不尽一样，因此，必需通过一些详细的指标来衡量。常用的评价指标有均方误差(RMSE)、信噪比(SNR)。均方误差即原始信号和去噪后的估计信号之间的方差的平方根,其定义式为: (1-1)式中，为原始信号，为去噪后的信号。信噪比SNR是测量信号中噪声量度的传统方法,其定义式为： (1-2)式中，为原始信号功率，为信号噪声的功率，信噪比越大，去噪效果越好。1.5本文主要内容本文所探究的主要内容是对加性噪声信号的去噪处理，所选取的语音信号是小词汇量非特定人的孤立短信号，分别参加高斯白噪声和高斯随机噪声，应用小波分析方法进展分析处理，这也是目前在噪声处理探究中普遍采纳的试
10、验方法。本文还介绍小波去噪方法，重点探究和探讨几种小波阈值去噪法及小波包去噪法。在去噪试验中小波去噪法的难点在于小波函数的选择及阈值的合理选取问题，本文对选取的信号参加不同频率噪声，应用不同的小波函数和阈值规那么进展去噪处理，针对不同的小波函数和阈值，以直观波形，信噪比的改善状况来评估语音信号去噪效果，并对去噪效果进展了简洁分析。其次章 小波变换原理2.1小波根本理论2.1.1小波变换的定义定义一 设，即一维和二维希尔伯特空间的交集，且，那么按如下方式生成函数族 , (2-1)称为分析小波Analyzing Wavelet或连续小波。称为根本小波或母小波(Mother Wavelet),a称为
11、伸缩因子，b称为平移因子。定义二 设是根本小波，是按上式给出的连续小波变换，对于函数， 的连续小波变换定义为： (2-2)这一变换的前提是： (2-3)满意条件2-3的叫做允许小波(Admissible Wavelet),而此条件称为允许条件(Admissible Condition)。实际运用中, 特殊是在计算机上实现小波变换时,须要将连续小涉及其变换离散化。由式(2-2)定义的小波变换可通过对其伸缩因子a 和平移因子b 的采样而离散化, 即:， ,那么由式(2-1)可得： (2-4)从而离散小波变换可定义为： (2-5)以上即为小波变换的根本理论2-5。2.1.2小波变换的时域辨别特性我们
12、之所以选择在小波域中滤波,而不干脆在Fourier域中滤波,是基于下述考虑:小波变换是在对数尺度上把信号分解为具有一样宽度的频率通道组,频率辨别率随着频率的增加而降低, 图1-1为5阶小波变换频率组成, 其中初始信号为 ,分解为高频局部1和低频局部,又进一步分解高频局部和低频局部 ,依次类推。从图中可以清晰地看到小波变换在高频处频辨率低而在低频处辨别率高。图2-1 小波变换的各阶频率组成 几种常用的小波.1 Haar小波Haar小波函数是在小波分析中最早用到的一个具有紧支撑的正交小波函数，同时也是最简洁的一个小波函数。Haar小波本身是一个阶跃函数，可以用公式(2-6)所示解析方法表达: (2
13、-6)尺度函数解析式为: (2-7)Haar小波的尺度函数和小波函数如图二所示。图2-2 Haar小波的尺度函数和小波函数.2 Daubechies(dbN)小波 Daubechies小波是由世界闻名的小波分析学者Ingrid Daubechies提出的一系二进小波函数，除了dbl(即haar小波)外，其他小波没有明确表达式。图2-3给出了db4小波的尺度函数和小波函数。小波函数和尺度函数的有效支撑长度为2N-1，小波函数的消逝矩为N。db小波族也是应用的比拟多的一族小波。图2-3 db4小波的尺度函数和小波函数.3 Symlets(symN)小波族Symlets小波的构造类似于db小波族，两
14、者的差异在于Symlets小波有更好的对称性，更适合于图像处理，减小重构时的相移。其他的性质如连续性、支集长度、滤波器长度都和db小波族一样。小波函数矿和尺度函数庐的有效支撑长度为2N-1，小波函数的消逝矩为N。图2-4给出了sym4小波的尺度函数和小波函数图2-4 sym4小波的尺度函数和小波函数.4 Coifiet小波族Coiflet小波族有更长的支集长度和更大的消逝矩，对称性比拟好。图2-5给出了coiflet2的尺度函数和小波函数。图2-5 Coiflet2小波的尺度函数和小波函数2.2小波去噪的根本原理小波去噪的根本思想可用以下原理框图来概括。信号先经预处理，然后利用小波变换把信号分
15、解到多尺中最终是在每一尺度下把属于噪声的小波系数去除，保存并增加属于信号的小波系数，再经过小波反变换，复原待检测信号。噪声信号语音信号多尺度分解多尺度去噪小波反变换小波域表示带噪语音信号图2-6 小波去噪原理框图由上述小波去噪框图不难辨出，其中的关键是用什么准那么来去除属于噪声的小波系数，增加属于信号的局部。不同的探究者为此提出过各种不同的判据，例如阈值去噪和屏蔽滤波等都是。这些不同的判据，形成了各种不同的小波去噪方法。2.3 小波去噪方法小波去噪的方法有很多种，如利用小波分解和重构的方法滤波降噪，利用小波变换模极大值的方法去噪，对信号进展小波变换后利用空域相关性进展信噪分别，非线性小波阈值方法去噪，平移不变量小波去噪，以及多小波去噪，非线性小波变换阈值法，小波变换
