結合EEMD與K-SVD的語音增強算法的研究.pdf

1、語音是人類進行傳遞信息最重要、最常用的方式之一，針對語音信號處理相關的研究極為廣泛，如：語音增強、語音編碼、語音識別及語音合成等。研究人員一般使用相對純凈的語音信號進行研究，但實際應用中采集到的語音信號往往會被環(huán)境噪聲干擾，這些噪聲的存在會降低語音信號的質量及可懂度，嚴重影響語音信號處理系統(tǒng)的性能。如何有效地將污染的帶噪語音恢復為純凈語音，成為了語音增強的目的。本文以語音增強為研究目標，結合K-奇異值分解（K-singular Valu

2、e Decomposition，K-SVD）算法和集總經驗模態(tài)分解（Ensemble Empirical Mode Decomposition，EEMD）方法，提出了一種EEMD與K-SVD算法相結合的語音增強新算法。論文的主要工作與創(chuàng)新點如下：
　　1．提出了一種EEMD與K-SVD算法相結合的語音增強算法。該算法首先將帶噪語音通過EEMD分解得到各本征模式分量（Intrinsic Mode Function，IMF），對各IM

3、F分量進行互相關和自相關分析，去除噪聲IMF分量。同時，將過渡IMF分量再次進行EEMD分解，去除其中的噪聲成分。然后將去除噪聲的過渡IMF分量和剩余的IMF分量疊加得到新的帶噪語音。對新的帶噪語音利用K-SVD算法在純凈語音訓練的過完備字典上進行稀疏分解，通過稀疏系數重構出去噪后的語音。主、客觀實驗結果表明，本算法能夠較好地去除噪聲，在低信噪比情況下，去噪效果明顯優(yōu)于譜減法、小波閾值去噪和K-SVD字典訓練算法。
　　2．提出了

4、一種雙閾值的稀疏自適應匹配追蹤算法（Double Threshold Sparsity Adaptive Matching Pursuit，DTSAMP）。該算法在原算法設置單一殘差閾值的基礎上，增加了純凈信號的能量閾值。首先估計帶噪語音中的噪聲能量，進而獲得純凈信號的能量估計值，若每一次迭代重建語音信號的能量超過了純凈信號能量的1.2倍，則停止迭代，輸出語音。實驗結果表明，本算法針對含噪信號的處理上，較之傳統(tǒng)的正交匹配追蹤（Ortho