结点阈值小波包变换语音增强新算法

合集下载

语音增强中小波收缩阈值算法和阈值函数研究

０引言
对于说话人识别系统或语音识别系统，高信噪比情况下获得的识别率可以达到比较高的程度．是，但如
果语音信号受到噪声的干扰，别率就会大幅下降．识因此使用有效的信号增强方法得到高质量语音信号，对
摘要：波收缩用于语音增强时，小阈值算法和阈值函数是最重要的参量．了在小波语音增强中得到可靠的选择为
方案，通过对这两种小波收缩参数进行分析，得到了相关数据结果，并给出ＳＲＵＥ阈值算法和Ｕｉｒｌｎｅａ阈值算法的ｖｓ
Ｔｈｅｈｌｌｏｉｈｓａｄｆｎｔｏｆｗａｅｅｒｓｏｄａｇｒｔｍｎｕｃｉｎｓｏｖｌｔ
ｓｉｋｇｎｓｅｃｎａｃｍｅｔｈｒｎａｅｉｐｅｈｅｈｎｅｎ
ＺＨＡＯＸｉＧＡＯ —ｈｏａ，Ｙａｚａ
ｔｎｗｉｅｅｃｔｏｚｄｉｔｔｏｍｊｒｐ：ｏｎｔｎｎａｎｔｎ．ｈｏｒｐｎｉｇｓ］ — ｉ，ｈｈｗｒａｇｒｅｏｗａｒｏｓｓｆｆｃｏｓｄｈｒｆｃｏｓＴｅｃｒｓｏｄｎｅｃｏｃｅｉｎｏｇｕｔｕｉａｄｕｉｅｅ
第２７卷第４期
２００８年８月
文章编号：６４—０７（０８０１７０６２０）４—０４００４— ４
南昌工程学院学报

用后验信噪比修正小波包自适应阈值的语音增强算法

用后验信噪比修正小波包自适应阈值的语音增强算法
张雪英;任永梅;贾海蓉
【期刊名称】《中南大学学报（自然科学版）》
【年(卷),期】2013(044)011
【摘要】针对固定阈值小波包语音增强算法造成的语音失真问题,提出一种采用后验信噪比修正小波包自适应阈值的语音增强算法.该算法先用结合掩蔽效应改进的非平稳噪声估计算法估计噪声功率,确保计算出准确的节点后验信噪比;再用含有此后验信噪比的Sigmoid函数对相邻帧的随尺度变化的阈值进行平滑,保证了阈值的连续性;进一步用指数化的后验信噪比自适应修正闽值,减少语音失真.实验结果表明:新算法提高了增强语音的信噪比和分段信噪比,与固定阈值小波包语音增强算法相比,具有更好的增强效果.
【总页数】8页(P4566-4573)
【作者】张雪英;任永梅;贾海蓉
【作者单位】太原理工大学信息工程学院,山西太原,030024;太原理工大学信息工程学院,山西太原,030024;太原理工大学信息工程学院,山西太原,030024
【正文语种】中文
【中图分类】TN912.3
【相关文献】
1.基于自适应阈值的小波包非接触语音增强方法研究 [J], 薛慧君;李盛;路国华;张杨;焦腾;王健琪;荆西京
2.一种新的自适应阈值小波包语音增强算法 [J], 任永梅;肖冬瑞
3.基于新阈值函数和自适应阈值的小波包语音增强研究 [J], 刘冲冲;邹翔;周正仙
4.联合改进子空间的自适应小波包阈值语音增强算法 [J], 任永梅;张雪英;贾海蓉;贾雅琼
5.基于双正交小波包分解的自适应阈值语音增强 [J], 李如玮;鲍长春;窦慧晶
因版权原因，仅展示原文概要，查看原文内容请购买。

基于正交小波包分解的语音去噪增强

ａｃｒｉｇｔ盯ｒｌ．Ｆｎｌｃｏｄｎｏ３ｕｅｉａｌｙ．ｔｅｄ — ｏｓｎｎａｃｄｓｅｃｅｒｂａｎｄｖａｔｅｉｖｒｅｗｖｌｔｐｃｅｈｅｎｉａｄｅｈｎｅｐｅｈｓｗｅｅｏｔｉｅｉｈｎｅａｅｅａｋｔｅｓｔｎｆｒｒｓｍ．ＢｓｄＯｌａｏａｅｉＭＡＡＢ，ｆｒｔｅｓｅｃｉｎｔｏｓｓｄｎｉｄａｄｅａｃｄＴＬｏｈｐｅｈｓａｗｉｎｉｅｗａｅｏｓｎｎｎｅ．Ｔｅｅｐｒｎｓｓｏｇｌｈｅｈｈｘｅｍｅｔｈｗ
３８・— ８－・ —
用动态阈值对小波系数进行噪声抑制，而可以有效地去除从
噪声，强语音。增
系数主要由语音信号控制。因此设置一个合适的阈值，仅利用超过阈值的那些显著的小波系数来重构语音信号，可较就
好地去除噪声。
一
２小波包阈值增强新算法
ｌ引言
噪声不仅影响语音可懂度和清晰度，且造成人耳听觉而
取阈值是小波包增强算法的关键。早期的文献通常局限于
不变阈值，Ｄｎｂ和Ｊｈｓｎ如ｏｏｏｏｎｔｅ提出的非线性小波变换阈ｏ
疲劳。语音增强的目的就是为了抑制背景噪声，改善语音质量，同时提高语音的可懂度和清晰度 … 。一般来说，语音增
强方法分为２大类：时域方法（子空间法）频域方法（如和如

用小波包改进子空间的语音增强方法

更加细致地分析和重构的方法，但对低频部分进不
行分解，而且对高频部分也做了二次分解，对信号的
图ｌ子空Ｉ司语晋增强方法原理图
分析能力更强，别适于处理非平稳信号ｌ］特＿。该算３
法采用小波包变换的方法对子空间域中带噪语音特征值进行处理，即采用改进的小波软判决阈值函数，得到更新的带噪语音的特征值，计出纯净语音特估
法，觉感受上增强语音也具有更好的清晰度和可懂度。听
关键词：音增强；空间；渡包；阈值函数语子小
中图分类号：ＴＮ９２音增强是解决噪声污染的一种有效的预处理
技术，随着数字通信系统的快速发展和广泛使用，人们越来越重视语音增强在语音处理方面的作用。近年来，子空间方法在语音增强研究中已有了较大发
假设带噪语音信号可以表示为：
Ｓ — Ｘ＋Ｎ．（）１
式中，ｓ是带噪语音；是纯净语音；是方差为ＸＮ的高斯白噪声，ｘ，为Ｋ维矢量。ｓ，Ｎ
征值，并采用基于统计信息算法更新噪声特征值，从
而实现了对噪声特征值更加准确的估计ｒ。８］
用小波包改进子空间的语音增强方法
贾海蓉，雪英，晓薇张牛
（原理工大学信息工程学院，原００２）太太３０４

一种新阈值函数的小波包语音增强算法

p p d2 j + 1 （ k ） = ∑ d j （ m ） h0 （ m － 2 k ） m= －∞ ∞ p +1 p d2 j + 1 （ k ） = ∑ d j （ m ） h1 （ m － 2 k ） m= 1
新阈值函数和新的 Bark 尺度小波包分解结构
传统阈值函数小波阈值去噪算法中传统的阈值函数
［10 ］
（ 2）（ 3）
主要有：
a）硬阈值函数。与硬阈值函数不同的是，当小波包系数的绝对值大于给定的阈值时，则令其保持不变，即
^
p p）即第 j 层第 p 个节点处的小波包系其中： d j （ k）表示节点（ j，
数； h0 （ k）是通带在 0 ～
π 之间的低通滤波器； h1 （ k ）为通带在 2
第 30 卷第 1 期 2013 年 1 月
计算机应用研究 Application Research of Computers
Vol. 30 No. 1 Jan． 2013
一种新阈值函数的小波包语音增强算法
任永梅，张雪英，贾海蓉
*
（太原理工大学信息工程学院，太原 030024 ）摘要：针对传统软、硬阈值函数去噪方法增强的语音存在失真的问题，提出一种新阈值函数的小波包语音增
w j， k =
π ～ π 之间的高通滤波器。 2 p）处的小波包系数 d p 在节点（ j， j （ k ）可由式（ 4 ）重建：
dp j （ k） =
p ^2 d j +1（
{
w j， k 0
w j， k ≥λ w j， k ＜λ
（ 7）
b）软阈值函数。与硬阈值函数不同的是，当小波包系数的绝对值大于给定的阈值时，令其减去阈值，即

基于自适应阈值的小波包非接触语音增强方法研究

【摘要】目的：介绍一种新的非接触语音去噪方法。方法：基于小波包良好的时频分析能力，提出小波包自适应阈值算法，采取同时使用硬阈值和软阈值的方法消除非接触语音噪声。结果：小波包阈值去噪法相比于其他经典算法，如谱减法、维纳滤波法。能够高效地去除噪声成分，并很好地保留原始纯净语音。结论：该方法可以有效地去除非空气传导
ＭｅｄｉｃａｌＥｑｕｉｐｍｅｎｔＪｏｕｒｎａＩ，２０１３，３４（２）：２１ — ２２１
Ｋｅｙｗｏｒｄｓｎｏｎ — ｃｏｎｔａｃｔｓｐｅｅｃｈ；ｗａｖｅｌｅｔｐａｃｋｅｔ；ｔｈｒｅｓｈｏｌｄ；ｓｐｅｃｔｒｏｇｒａｍ
ａｂｏｒｉｇｉｎａ１ｐｕｒｅｓｐｅｅｃｈｓｉｇｎａ１．Ｇ咖ｌ
Ｔｈｉｓｍｅｔｈｏｄｃａｎｒｅｍｏｖｅｔｈｅｎｏｉｓｅｏｆｒａｄａｒｓｐｅｅｃｈａｎｄｉｓｐｒａｃｔｉｃａ１．『Ｃｈｉｎｅｓｅ
ｃａｐａｂｉｌｉｔｙｏｆｗａｖｅｌｅｔｐａｃｋｅｔｏｒｆａｎａｌｙｚｉｎｇｔｉｍｅ－ｆｒｅｑｕｅｎｃｙｓｉｇｎａｌ，ａｎａｌｇｏｒｉｔｈｍｏｆｗａｖｅｌｅｔｐａｃｋｅｔｔｈｒｅｓｈｏｌｄＨｕｉ－ｊａｎ，ＬＩＳｈｅｎｇ，ＬＵＧｕｏ－ｈｕａ，ＺＨＡＮＧＹａｎｇ，ＪＩＡＯＴｅｎｇ，ＷＡＮＧＪｉａｎ — ｑｉ，ＪＩＮＧＸｉ－ｊｉｎｇ

基于小波包变换和小波阈值消噪的语音特征提取

Ｋｅｙｗｏｒｄｓ：ｗａｅｅｔｐｃｋｔｔａｆｒ；ｐｎｃｃｒｃｅｘｒｃｉｎ；ｐｏｃｄｅｏｓｎｖｌａｅｒｎｓｏｍｈｏｉｈａａｔｒｅｔａｔｏｈｎｉｎｉｉｇ；ｗａｅｅｈｒｓｏｄｄｅｏｓｎｇｖｌｔｔｅｈｌｎｉｉ
Ｐｈｎｉｈａｔｒｅｔａｃｉｓｄｏａｅｅｃｅｒｓｏｉｏｃｃａｒｃｅｘｒｔｏｎｂａｅｎｗｖｌｔｐａｋｔｔａｎｆｒｌｌａｄｖｅｅｈｒｓｏｌｎｏｓｎｎｗａｌｔｔｅｈｄｄｅｉｉｇ
ＣＨＥＮＢａｉ
（ｌｃｒｎｃＥｐｒｎｅｔ，ＹｎｈｎＵｎｖｒｉＥｅｔｏｉｘｅｉｔＣｎｅｍｅｒａｓａｉｅｓｙ，Ｑｉｈａｇａ６０４，Ｃｉａ）ｔｎｕｎｄｏ０６０ｈｎ
Ａｂｓｒｃ：Ａｉｎｔｒａｉｉｇｐｎｃｃｒｃｅｘｒｃｉｎａｔｏｇｒｎｉｅｂｃｋｒｕｎｔａｔｍｉｇａｅｌｚｎｈｏｉｈａａｔｒｅｔａｔｏｔｓｒｎｅｏｓａｇｏｄ，ｗａｅｅａｋｔＴｒｎｓｏｍｓｕｅｖｌｔｐｃｅａｆｒｗａｓｄ，ａｄｎ
０前
言
１小波分析
人耳耳蜗内的基底膜，其并行带通滤波器，这些滤波器的脉冲响应保持常Ｑ系数，除在时间轴上平移外，波即滤器的中心频率与带宽之比近似不变。这一点与小波的计算特性相似，小波变换在各分析频段内的品质因数

基于改进小波阈值函数的语音增强算法研究

基于改进小波阈值函数的语音增强算法研究作者：覃爱娜戴亮李飞曹卫华来源：《湖南大学学报·自然科学版》2015年第04期摘要：针对传统的小波阈值去噪算法中的阈值函数不足，提出一种优于非负死区阈值函数的改进的阈值函数.改进阈值函数不仅具有良好的连续性、可导性，并且克服了非负死区阈值函数没有考虑小波变换模值的衰减符合指数规律这一特点.另外在阈值的选取中，考虑了带噪语音信号的不同特性，采用谱平坦度函数修正阈值.仿真实验表明，与传统的非负死区阈值函数去噪算法相比，改进的阈值函数能更有效地消除背景噪声，在提高输出信噪比的同时，更好地保持语音质量和清晰度.关键词：语音增强；小波变换；阈值去噪中图分类号：TN912.3 文献标识码：A语音增强是将尽可能纯净的原始语音从带噪语音信号中提取出来.其主要目的是：消除背景噪音、改进语音质量、提高语音可懂度、使听者乐于接受并且不会感觉到疲劳.目前，在平稳的噪声环境下语音增强效果较好，但在非平稳环境下，尤其在低信噪比情况下对语音增强算法的研究仍是语音信号处理的一个重要方向＼[1-3＼].小波变换属于一种信号的时间尺度变换分析方法，可以同时很好地表征出信号在时域和频域的局部特性.小波变换具有多分辨率分析的特点，在信号的低频部分具有较低的时间分辨率和较高的频率分辨率，在信号的高频部分具有较低的频率分辨率和较高的时间分辨率，是一种适应于非平稳环境的信号处理方法＼[4＼].文献[5]首次提出了基于软硬阈值函数的小波语音增强算法，随后Breiman在Donoho的基础上提出了一种非负死区阈值函数去噪算法＼[6＼]，其语音增强效果要优于传统的软硬阈值函数去噪算法.但通过分析可知：非负死区阈值函数并没有考虑语音信号的小波变换模值的衰减是符合指数规律的这一特点，因此其去噪效果有待进一步提高＼[7＼].本文对软硬阈值以及非负死区阈值函数进行分析，并在此基础上提出一种改进的阈值函数的小波语音增强算法.改进阈值函数克服了非负死区阈值函数的不足，仿真实验表明，改进阈值函数去噪效果要明显优于非负死区阈值函数，在抑制噪声的同时很好地保持了语音的可懂度.1 小波去噪原理信号在某点处出现间断或者其某阶导数不连续的性质称为信号的奇异性，通常采用信号的Lipschitz指数来表征信号的奇异性.文献[8]建立了信号的Lipschitz指数与小波系数的局部模极大值之间的关系.对信号f（t）来说，假设存在正数T使得不等式（1）成立：|f（t0+τ）-fn（t0+τ）|≤T|τ|δ ，n则称δ为信号f（t）在t0处的Lipschitz指数.其中n为正整数，fn（t）为信号f（t0）的n 次多项式，τ为一个充分小的量.设信号f（t）的小波变换系数的模为|Wf（a，b）|.假设存在正数b0∈（b0-τ，b0+τ）使得|Wf（a，b）|≤|Wf（a，b0）|成立.则称b0为f（t）的小波变换的局部极大值点，|Wf（a，b0）|为小波变换的模极大值.在尺度a=2j时，f（t）的Lipschitz指数δ与其小波模极大值W2jf（2j，b0）满足下式：log 2|W2jf（2j，b0）|≤log 2A+δj. （2）其中A是与基小波相关的常量.由式（2）可得，当f（t）的Lipschitz指数δ>0时，则信号f（t）的模极大值W2jf（2j，b0）将会随着分解尺度j的增大而增加；反之，当f（t）的Lipschitz指数δ由以上信号的分析特性可知，纯净语音信号的Lipschitz指数δ>0，其极大值是随分解尺度j的增大而增加；而噪声信号的Lipschitz指数δ2 小波阈值去噪算法由小波变换的线性特性可知，带噪语音信号的小波变换系数等于噪声信号的小波变换系数和纯净语音信号的小波变换系数之和.按照这一性质，利用小波变换进行阈值去噪的基本思路是：首先选择合适的基小波函数和分解层数对带噪语音信号进行多尺度小波分解；然后分别对各尺度的高频小波系数采用合适的门限阈值及阈值函数进行处理：最大限度去除噪声信号的小波系数，保留原始纯净信号的小波系数；最后对保留的各层系数进行小波逆变换，重构增强语音信号.图1为小波阈值去噪算法的基本原理框图.1 小波去噪原理信号在某点处出现间断或者其某阶导数不连续的性质称为信号的奇异性，通常采用信号的Lipschitz指数来表征信号的奇异性.文献[8]建立了信号的Lipschitz指数与小波系数的局部模极大值之间的关系.对信号f（t）来说，假设存在正数T使得不等式（1）成立：|f（t0+τ）-fn（t0+τ）|≤T|τ|δ ，n则称δ为信号f（t）在t0处的Lipschitz指数.其中n为正整数，fn（t）为信号f（t0）的n 次多项式，τ为一个充分小的量.设信号f（t）的小波变换系数的模为|Wf（a，b）|.假设存在正数b0∈（b0-τ，b0+τ）使得|Wf（a，b）|≤|Wf（a，b0）|成立.则称b0为f（t）的小波变换的局部极大值点，|Wf（a，b0）|为小波变换的模极大值.在尺度a=2j时，f（t）的Lipschitz指数δ与其小波模极大值W2jf（2j，b0）满足下式：log 2|W2jf（2j，b0）|≤log 2A+δj. （2）其中A是与基小波相关的常量.由式（2）可得，当f（t）的Lipschitz指数δ>0时，则信号f（t）的模极大值W2jf（2j，b0）将会随着分解尺度j的增大而增加；反之，当f（t）的Lipschitz指数δ由以上信号的分析特性可知，纯净语音信号的Lipschitz指数δ>0，其极大值是随分解尺度j的增大而增加；而噪声信号的Lipschitz指数δ2 小波阈值去噪算法由小波变换的线性特性可知，带噪语音信号的小波变换系数等于噪声信号的小波变换系数和纯净语音信号的小波变换系数之和.按照这一性质，利用小波变换进行阈值去噪的基本思路是：首先选择合适的基小波函数和分解层数对带噪语音信号进行多尺度小波分解；然后分别对各尺度的高频小波系数采用合适的门限阈值及阈值函数进行处理：最大限度去除噪声信号的小波系数，保留原始纯净信号的小波系数；最后对保留的各层系数进行小波逆变换，重构增强语音信号.图1为小波阈值去噪算法的基本原理框图.2.1 改进阈值函数根据小波阈值去噪的原理可知，语音信号在经过小波分解后，通过阈值函数处理带噪语音小波系数可以去除噪声.传统的小波系数处理算法有软硬阈值函数和一些改进的阈值函数.硬阈值函数j，k=wj，k，|wj，k|≥λ；0，|wj，k|硬阈值函数处理方法能够更多地保留原始语音信号的尖峰特征，但硬阈值函数在阈值±λ处是间断不连续的，从而在重构增强语音信号时会出现一定的振荡现象.软阈值函数j，k=sgn （wj，k）（|wj，k|-λ），|wj，k|≥λ；0，|wj，k|软阈值函数处理方法在阈值±λ处连续，对重构信号的小波系数具有更好的平滑作用，进而取得较好的增强效果.但j，k和wj，k之间由于存在恒定误差，会丢失原始语音信号的突变信息，使得重构信号的信噪比较低，均方误差较大.非负死区阈值函数j，k=wj，k-λ2wj，k，|wj，k|≥λ；0，|wj，k|非负死区阈值函数考虑到了随着有用信号的小波系数的增大，对噪声信号的削减力度也有所降低的性质，保证了函数在阈值±λ处的连续性，在软硬阈值门限值之间取得了一个很好的折衷.仿真实验证明非负死区阈值函数的去噪效果的确优于软硬阈值函数去噪.但其并没有考虑噪声小波变换模值的衰减是符合指数规律的这个特点，并且在|wj，k|考虑到以上因素，本文在非负死区阈值函数的基础上结合指数函数设计了一种改进的更为合理有效的阈值函数.改进阈值函数的定义为：j，k=sgn （wj，k）（|wj，k|-λ22|wj，k|e2（λ-|wj，k|）），|wj，k|≥λ；sgn （wj，k）（λ（e8|wj，k|-e8p）2（e8λ-e8p）），|wj，k|p∈（0，λ）. （6）从图2可以看出，所设计的改进阈值函数克服了硬阈值函数在±λ处的不连续性以及软阈值函数存在恒定误差的缺点.在|wj，k|=λ处，改进阈值函数不像硬阈值函数那样存在突变性，从而在重构增强语音信号时不会产生振荡现象；在|wj，k|λ阶段，改进阈值函数和硬阈值更加接近，避免了j，k和wj，k之间出现恒定差值，因此也就不会过多丢失有用语音信号的突变信息；并且相对于非负死区阈值函数，改进阈值函数符合小波变换模值按指数衰减的规律，其去噪效果更佳.2.2 门限阈值选取在小波阈值去噪处理算法中，门限阈值λ是一个非常重要的参数，阈值选取的大小将直接影响小波去噪的性能.λ选取过大，则小波去噪中剔除了过多的有用信号，会造成信号的失真；λ选取太小，又会在增强语音中残留有较多的噪声信号，降低算法的去噪效果.Donoho设计的固定阈值λ=σ2log N，式中σ为小波系数wj，k的方差，N为观测语音的长度.因为对不同的分解尺度j上都采用了相同的阈值进行去噪处理，故其增强效果不理想.文献＼[7＼]依据随着尺度的增加，噪声的模极大值减小，其阈值也应随着尺度的增加而减小的特点，将固定阈值λ修改为λ=σ2ln N/2j-1ln （j+1）.该阈值设计方法可以保证较大程度地保留有用语音信号的信息，不过这种阈值设计并不是适应所有的噪声环境，在非平稳的噪声环境下，其去噪效果有待进一步提高.为了提高在非平稳噪声环境下的小波去噪性能，我们根据带噪语音帧频谱的平坦度，来判断带噪语音信号是噪声特性还是纯净语音特性，然后针对不同的特性采用不同的自适应阈值对带噪语音信号进行去噪处理.其中，谱平坦度γ定义为：γ=10log 10（μg/μa），其中μg=nf1f2…fn为带噪语音信号的小波功率谱密度的几何平均值，μa=1n∑ni=1fi 为带噪语音信号小波功率谱密度算术平均值.自适应阈值采用一个谱平坦度函数g（γ）=2/ln （0.05γ）来修正文献＼[9＼]改进的阈值λ，即自适应阈值函数为：λ=σ2ln N/2j-1ln （j+1）g（γ）（7）自适应阈值既考虑了随着尺度j的增大，λ的值逐渐减小，使其与噪声在小波变换各尺度上的传播特性相一致的特性，也考虑了带噪语音的噪声和语音特性，使对门限阈值估计更准确，其去噪效果更佳.3 实验仿真实验仿真所采用的纯净语音信号是由Voice Reader软件合成的采样率为8 kHz，采样位数为16 bit的“我爱北京天安门”语音信号.噪声信号则采用在体育馆内录制的采样率为8 kHz，采样位数为16 bit的hubbub噪声.实验在信噪比（SNR=0 dB）下，对添加hubbub噪声的纯净语音分别利用非负死区阈值函数和改进阈值函数进行小波去噪处理.原始语音及添加hubbub噪声的带噪语音如图3所示，采用两种方法的实验仿真结果如图4和图5所示.由实验结果可以看出，与非负死区阈值去噪法相比，在低信噪比的情况下，采用本文改进阈值函数的方法，有效地抑制了背景噪声，减少了语音的失真度.此外，由于引入了带噪语音帧频谱的平坦度来计算阈值λ，改进阈值去噪算法能有效地消除了因音乐噪声产生的语音失真，很好地保持了语音的自然度和可懂度，主观试听效果要明显优于传统的软硬阈值和非负死区阈值去噪法.为了进一步评价增强语音的质量，我们采用语音信号的分段信噪比和分段失真来评价增强语音的质量.分段信噪比是以帧为单位先计算信噪比，然后在整个语音段求其平均值作为最终的输出信噪比.其计算公式为＼[10＼]：从表中可以看出，无论是在低信噪比还是高信噪比情况下，改进阈值去噪算法的输出信噪比都要大于非负死区阈值去噪算法，而其增强语音失真度都要远远小于非负死区阈值去噪法.说明改进阈值去噪算法在保持增强语音较高的输出信噪比的情况下没有过多地损伤语音的原有信息，更好地保持了语音的可懂度.4 结论针对传统的基于软硬阈值的小波去噪算法的不足，在非负死区阈值函数去噪算法的基础上提出了一种改进阈值函数的小波阈值去噪算法.改进的阈值函数克服了硬阈值存在突变、软阈值存在恒定差值的缺点，另外改进阈值函数考虑了小波变换模值按指数衰减的规律，其增强语音的小波系数获取更接近于原始纯净语音.在阈值λ的选取中，依据带噪语音信号的谱平坦度来加权阈值能获得随语音实时变换的阈值λ.仿真结果表明，改进算法在非平稳的低信噪比的情况下能有效消除背景噪声，减少残留音乐噪声和听觉失真，提高了语音的感知质量和清晰度.参考文献[1] KRISHNAMOORTHY P， PRASANNA S R M. Enhancement of noisy speech by temporal and spectral processing ＼[J＼]. Speech Communication，2011， 53（2）： 154-174.＼[2＼] 赵欢，王纲金，赵丽霞.一种新的对数能量谱熵语音端点检测方法＼[J＼]. 湖南大学学报：自然科学版， 2010，37（7）：72-77.ZHAO Huan， WANG Gangjin， ZHAO Lixia， An inproved minimum search method for noise estimation＼[J＼].Journal of Hunan University：Natural Sciences， 2010，37（7）：72-77.（In Chinese）＼[3＼] 覃爱娜，戴亮，桂卫华. 基于听觉掩蔽效应和最优平滑的语音增强算法＼[J＼].计算机工程，2013，39（8）：27-30.QIN Aina， DAI Liang， GUI Weihua. Speech enhancement algorithm based on auditory masking effect and optimal smoothing＼[J＼]. Computer Engineering，2013，39（8）：27-30.（In Chinese）＼[4＼] 胡昌华，李国华，刘涛，等.基于matlab6.x的系统分析与设计—小波分析＼[M＼].西安：西安电子科技大学出版社，2004： 5-9.HU Changhua， LI Guohua， LIU Tao，et al. Analysis and design of the system based on matlab6.x-wavelet analysis＼[M＼]. Xi'an： Publisher of Xidian University，2004： 5-9.（In Chinese）＼[5＼] LEE B，LEE K，ANN S.An EMbase approach for parameter enhancement with all application to speech signals＼[J＼].Signal Processing，1995，46：1-14.＼[6＼] ZHANG Weiqiang，SONG Guoxiang.A translationinvariant wavelet denoising method based on a new thresholding function＼[C＼]//International Conference on Machine Learning and Cybemetics.2003，2341-2345.＼[7＼] BARRI A， DOOMS A， SCHELKENS P. The near shiftinvariance of the dualtree complex wavelet transform tevisited ＼[J＼]. Journal of Mathematical Analysis and Applications，2012，389（2）： 1303-1314.＼[8＼] 戴亮. 非平稳噪声环境下的语音增强算法研究＼[D＼]. 长沙：中南大学，2012：32-34.DAI Liang. Research on speech enhancement algorithms in nonstationary noise environment＼[D＼]. Changsha：Central South University，2012：32-34.（In Chinese）＼[9＼] 董胡，钱盛友.基于小波变换的语音增强方法研究＼[J＼].计算机工程与应用，2007，43（31）：58-60.DONG Hu， QIAN Shengyou. Research on speech enhancement based on wavelet transform＼[J＼].Computer Engineering and Applications，2007，43（31）：58-60.（In Chinese）＼[10＼]QUACKENBUSH S R， BARNWELL T P，CLEMENTS M A.Objective measures of speech quaintly＼[M＼].Englewood Cliffs，NJ：Prentice Hall，1988：88-96.＼[11＼]卜凡亮，王为民，戴启军，等. 基于噪声被掩蔽概率的优化语音增强方法＼[J＼].电子与信息学报， 2005，27（5）：753-757.BU Fanliang， WANG Weimin， DAI Qijun， et al. Optimizing speech enhancement based on noise masked probability＼[J＼]. Journal of Electronics & Information Technology， 2005，27（5）：753-757.（In Chinese）。

2010使用仿生小波变换和自适应阈值函数的语音增强

2010使用仿生小波变换和自适应阈值函数的语音增强Yang Xi Liu Bing-wu Yan FangSchool of InformationBeijing Wuzi UniversityBeijing, China摘要：通过仿真小波变换和自适应阈值的使用，本文介绍了一种改善的基于小波变换的语音增强方法--自适应仿真小波语音增强。

由于将人类听觉系统模型融合到小波变换中，此方法最主要的优点是避免超出阈值语音段。

这可以常常出现在传统基于小波变换语音增强方案中。

然后，他可以追踪没有经过SNR先验知识估计的带噪语音变异。

结果，相对于传统方法此方法做出的语音增强质量大幅度提高。

引言：在实际中，语音信号在接受和传输过程中难免受周围环境中的噪声干扰，如传输介质，通信设备和其他说话者的声音。

受损的信号就是带噪信号。

语音增强方案的主要目的就是从带噪信号中获取纯净语音以降低听者的疲劳同时提语音的感知质量。

在过去十年中已经提出了许多语音增强方法。

但都不完美，这是由于复杂和非稳定的语音信号。

小波变换具有多分辨率域和频域。

所以小波变换能够分析非平稳信号。

最近，小波变换已经成功的运用到信号处理中，比如语音增强。

通过充分的选择小波系数阈值，从嘈杂的小波系数中减去阈值来有效的去除高斯白噪声。

但是，它受到严重的残留噪声和语音失真影响。

Pinter 和Istvan[l]提出一种改进的方案，结合小波变换和听觉性能的临界频带。

他们根据临界频带解压缩带噪信号来减少语音失真。

Mohammed Bahoura[2]和Jean Rouat 提出基于Teager能量算子的小波语音增强。

这种方法通过时域中阈值适应来大大地减少了噪声。

但是当语音信后受到轻微噪声感染会纯在超过阈值的问题。

Hu Yi【3】提出一种基于小波阈值muititaper谱语音增强的低方差谱估计的使用。

它抑制了残留噪声产生更好的质量。

本文中，我们提出运用仿生小波变换和自适应阈值函数的语音增强方法。

小波包分解下的多窗谱估计语音增强算法

［ｙｗｒｓｐｃｒｌｕｔｃｉｎｍｕｔｌｗｎｏｐｃｒｍ；ｖｌｔａｋｔｅｏｏｉｏ；ｏｓ；ｉｎｌｉａｏＳ）Ｋｅｏｄｓｅｔｂｒｔ；ｌｐｅｉｄｗｓｅｔＩａｓａｏｉｕｗａｅｅｃｅｃｍｐｓｉｎｎｉＳｇａＮｏｓＲｔ（ＮＲｐｄｔｅｅｉ
［ｓｒｃ］ＴａｉｏａｐｃｒｌｕｔｃｏａｅｎＳｏｔｉｏｒｒＴａｓｏｍ（ＴＴ）ｓａｋｎｔｏｆｉｇｅｒｓｌｔｎａｄｈｓｌｇＡｂｔａｔｒｄｔｎｌｅｔｂｒｔｎｂｓｄｏｈｒＴｍｅＦｕｅｒｎｆｒＳＦｉｉｄｍｅｈｄｏｎｌｅｏｕｉ，ｎａａｅｉｓａｓａｉｉｓｏｒ
ｓｏａｉａｇｒｈｃｎｉｒｖｅｓｅｃｉｎｌｉｔ（ＮＲ）ｔｏｓ，ｎｒｖｅｓｅｃｉｔｒｏｅｒｅｈｗｓｈｔｈｓｌｏｔｍａｏｅｔｅｈＳｇａｓＲａｏＳｔｔｉｍｐｈｐＮｏｅｉｗｉｎｉａｄｉｏｅｔｐｅｈｄｓｔｎｄｇｅ：ｈｅｍｐｈｏｉ
第３８卷第５期
Ｖ＿１８ｏ．３Ｎｏ．５
计
算
机
工
程
２１０２年３月
Ｍａｃ２２ｒｈ０１
ＣｏｐｅｇｎｅｉｇｍｕｔｒＥｎｉｅｒｎ
・开发研究与设ｏ９＿０文０－３８０２５一２１．３０－４２ｏ献标识Ａ码：
ＳｅｔｕｍｔｍａｉｎＵｎｅａｅｅｃｅｃｍｐｓｔｏｐｃｒＥｓｉｔｏｄｒＷｖｌｔＰａｋｔＤｅｏｏｉｎｉ

基于MMSE和小波变换的语音增强算法

基于MMSE和小波变换的语音增强算法潘小龙;张卫强;郦元宏【摘要】提出一种最小均方误差与小波变换相结合的改进算法来提高语音识别系统的性能。

首先通过小波变换对带噪语音进行多尺度分解，然后对不同尺度的小波系数采用MMSE 算法，最后对MMSE 处理过的小波系数进行重构得到增强语音。

实验结果表明：与传统算法相比较，提出的新算法去噪效果显著，有效地提高了语音的质量。

%Anew algorithm combining MMSE with wavelet transformation is put forward to improve the performance of speech recognition. Firstly, the noisy speech is processed with wavelet transformation by multi-scale decomposition, then the multi-scale wavelet coefficient is determined with MMSE algorithm. Finally the wavelet coefficient is reconstructed to enhance the speech quality. By comparing the presented algorithm with the traditional ones, as indicated by the result of MATLAB experiment, the developed algorithm is found to be of better performance in terms of speech enhancement.【期刊名称】《宁波大学学报（理工版）》【年(卷),期】2016(029)003【总页数】4页(P68-71)【关键词】最小均方误差;小波变换;语音增强【作者】潘小龙;张卫强;郦元宏【作者单位】宁波大学信息科学与工程学院，浙江宁波 315211;宁波大学信息科学与工程学院，浙江宁波 315211;宁波大学信息科学与工程学院，浙江宁波315211【正文语种】中文【中图分类】TN912.35语音识别在安静的环境中可以有较好的性能，但现实环境中不可避免地夹杂着噪声，对语音识别产生了较大影响，因此对带噪语音的处理就显得特别重要. 目前，语音增强方法主要有基于语音短时谱幅度估计法（Short Time Spectral Amplitude，STSA）、基音周期法、语音参数模型法、听觉场景分析法等.在基于语音短时谱幅度估计法（STSA）中，最小均方误差（Minimum Mean-Square Error， MMSE）比谱减法等传统方法能更多地利用语音和噪声统计特性的先验知识［1］，对语音系数的先验概率进行估计，并在此基础上按照最小均方误差的准则对语音系数进行估计. MMSE准则中，下信号短时间可以看成是平稳信号，但当信号为非平衡时，其去噪效果大大降低，而且在低信噪比情况下，由语音增强失真引起的包括语音频谱变形和增强后的剩余噪声对信号有较大的干扰，从而降低语音识别系统的精度. 为解决上述问题，人们提出了基于小波变换的语音增强算法. 鉴于小波变换在低信噪比情况下去噪效果好和处理非平稳信号的优势，可以改善MMSE在低信噪比下信号的失真，因此，将MMSE与小波变换结合在一起处理语音信号可以有效提高语音识别系统的性能.对于传统去噪算法如谱减法［2］等进行语音增强后所产生的“音乐噪声”，MMSE算法可以较好地解决该缺陷，这是由于MMSE方法能更多地利用语音和噪声统计特性的先验知识. 以下基于MMSE的短时频谱分析来介绍MMSE原理.语音短时频谱可用指数形式作如下表示［3］：上述公式将信号分为若干帧信号，其中，i代表信号为第i帧，X（k，i）和Y（k，i）分别为纯净语音和带噪语音的频谱函数，A（k，i）和N（k，i）分别为纯净语音和带噪语音的语音短时谱幅度. 对于带噪语音信号目的是使纯净语音的短时谱幅度估计值与纯净语音短时谱幅度最接近，亦即使信号失真度最小.假设各频谱分量之间相互独立，则可以推导出语音短时谱的MMSE估计值为：其中，a（k）为A（k）的一帧信号所对应的谱幅度.假设噪声谱服从零均值高斯分布，则：假设语音谱服从高斯分布，则其幅值和相位的联合分布为：其中， D（k）为噪声的谱幅度；λX（k）为纯净语音能量期望植；λD（k）为噪声能量期望值，可由语音间歇时静音帧估计得到，代入式（3）可得公式如下：其中，为超几何函数［4］，则：其中，和分别为先验信噪比和后验信噪比. 可将式（8）写成如下形式：其中，为增益函数. 因此由以上公式可得到纯净语音谱幅度估计值，对其添加含噪信号的相位及反傅里叶变换后就可得到增强后的语音.作为时频域分析方法，傅里叶变换能将信号不同时刻的相同频率成分都映射到同一频率点上，因此无法对信号某个时间点的某个频率的特征进行分析，相当于不能表述信号的时频局部性质，这正是非平稳信号的关键. 小波变换是空间和频率的局部变换，因而能有效地从信号中提取信息，克服上述缺点. 小波去噪首先进行多尺度小波变换，然后对小波系数进行处理，去除噪声中的小波系数，保留原始信号的小波系数，对小波系数进行小波逆变换（小波重构），最后得到去噪后的近似真实信号［5-6］. 假设函数（）xφ为平方可积函数，即且满足以下容许性条件：则称（）xφ为小波基函数. 对于任意实数为小波变换的尺度因子，b为平移因子，对其进行离散小波变换，此时通常定义其中，，jkZ∈. 由小波基（）xφ生成的依赖于（a，b）的离散小波函数如下所示［7-8］：则信号f（t）以x（φ）为基的小波变换为：在实际应用中，通常取02a=，01b=. 由此可见，离散小波变换的提出，使得小波变换在计算机的分析成为可能.带噪声语音通过小波变换划分得到不同尺度的小波系数，小波变换的有用信号能量主要集中在大的小波系数和特定的频率范围内，而噪声分布于整个小波域内，因此小波分解后有用的信号系数幅值会大于噪声的系数幅度，可采取阈值方法来得到有用信号. 然后对各个尺度的小波系数进行MMSE处理，最后对处理过的小波系数进行小波重构，得到增强后的语音信号. 新算法的整体框架如图1所示.首先对带噪声语音进行Mallat小波分解，得到不同尺度的分解系数，在频域中对应不同频率的子带信号. 假定0～P频率空间为F0，经过一级分解后被分为0/2P-的低频子空间F1和/2PP-的高频空间W1，然后将低频空间一直分解下去，得到Fn、Wn、…、W2、W1，它们之间的空间互不相交，它们所对应的小波系数为cd1、cd2、cd3、cd4、cd5、ca5（其中cdn为高频系数， ca5为第五层的低频系数）. 然后对不同频率范围、尺度的小波系数进行MMSE估计，得到改进的小波系数. 最后对处理过的小波系数利用Mallat算法进行重构，得到增强语音. 运用小波变换进行去噪处理，可选择不同小波基函数. 仿真选Daubechies为正交小波基，阶次为4，分解层数为5层；语音为在噪声环境下的“宁波”两个字的发音信号， 16kHz的采样率， PCM， 16位，单声道； MMSE对小波系数进行最小均方误差估计.图2为带噪信号经过小波去噪处理和新算法处理过的信号对比. 由图可见，新算法中的信号幅度比小波去噪算法处理过信号幅度有所减小，噪声部分幅度变得更为平滑，对噪声有较好的抑制作用.图3～图5为去噪前语音信号小波系数、小波去噪后小波系数和新算法去噪后小波系数的图形. cd1～cd5分别对应滤波前第1层高频系数到第5层高系数，其频率范围对应8000～16000Hz， 4000～8000Hz， 2000～4000Hz， 1000～2000Hz， 500～1000 Hz， ca5为第5层低频系数，频率范围为0～500Hz. cd1～cd5分别对应滤波后第1层高频系数到第5层高系数. 对比不同方法滤波的图形，可见利用新算法滤波后的小波系数噪声明显减少，这使得小波重构的信号对噪声有较好的抑制作用.文中语音采集通过Cooledit处理软件完成，采集1～10这10个数字的英语发音作为实验对象. 采用16000Hz的采样频率，单声道录音，精度为16位，通过对24个人录音，得到240个语音数据，其中120个数据用来训练语音识别模型，另外120个数据用来进行语音识别测试. 提取每帧信号的24阶MFCC作为语音特征参数，噪声为高斯白噪声.通过语音识别可以得到加噪语音、MMSE去噪、小波变换去噪以及新方法去噪后的语音识别率，从表1数据中可以得出改进方法的去噪效果较其他2种方法有一定的提高.5 结论MMSE相比于谱减法等传统方法更多地利用了语音和噪声统计特性的先验知识，但前提是信号短时平稳，这大大局限了该方法的应用. 而小波变换在非平稳和低信噪比的情况下具有较好的语音增强能力. 提出的新方法结合了MMSE方法和小波变换的各自优点，实验结果表明新方法处理后得到的信号损害较小，而且去噪效果较好，从而提高了语音识别系统的性能，相比于传统的去噪方法有一定的提高. 但其算法复杂度较高，并且对波形会造成一些损害，有待于今后继续深入研究.【相关文献】［1］宁更新. 抗噪声语音识别新技术的研究［D］. 广州：华南理工大学， 2006.［2］熊燕. 抗噪声语音识别技术研究［J］. 信息科技及现代服务， 2006（7）：204-205.［3］方瑜. 语音增强相关问题研究［D］. 北京：北京邮电大学， 2011.［4］丁沛. 语音识别中的抗噪声技术［D］. 北京：清华大学，2003.［5］王苏敏，谢小云，邓茜. 基于小波去噪的语音识别系统［J］. 数字技术与应用， 2012（5）：232.［6］毛艳辉. 小波去噪在语音识别预处理中的应用［D］. 上海：上海交通大学， 2010.［7］胡惠英，吴善培. 小波去噪在语音识别中的应用［J］.北京邮电大学学报，1999， 22（3）：31-34.［8］崔晓，张松炜. 基于小波和先验信器噪比维纳滤波的语音增强［J］. 河南师范大学学报（自然科学版）， 2013，41（1）：43-46.。

基于小波变换的多尺度多阈值的语音增强算法

算法 2. 1 算法步骤 ( 1 计算被噪声污染的信号的正交小波变 )
换。选择合适的小波和小波分解层数，采用下式对被噪声污染的信号进行小波分解至层 :
目就是从带有噪声的语音的信号中提取尽可
能纯净的原始语音，提高信噪比，改善语音质
量。
传统的滤波去噪方法是将被噪声污染的
信号通过一个滤波器，滤掉噪声频率成分。但对于瞬间信号、宽带噪声信号、非平稳信号等，这种方法有时会给信号本身带来较大的畸形，而且，线性滤波方法存在着保护信号局部特征和抑制噪声之间的矛盾，小波变换理论由于具有时一频局部化分析特点及小波函数选择的灵活性，为解决这一矛盾提供了有力的工具。因此，本文就以小波变换为工具，寻求一种合适的语音增强算法。
( 1 绩效计划。即管理人员与员 ) 工合作，计划经济体制下的管理模式和观念依然 }分与员工就应该履行的工作职责、各项任务的明显，无论是在管理理念还是方法上都滞后于重耍性等级和授权水平、绩效的衡量、上级提市场化的要求，存在诸多的薄弱环节，其中缺供的帮助、可能遇到的障碍及解决的方法等乏对战略关注的绩效考核已经成为企业管理一系列问题进行探讨井达成共识。 “ 水桶”中的短板。以战略为导向加强企业绩定部门计划。部门计划支撑企业整体计划的 (2 绩效实施与管理。即在整个绩效周期效管理是提高企业管理水平、增强市场竞争 ) 实现。内，管理人员通过持续不断的沟通对员工的工力的有效对策。战略性绩效管理系统是一个 (1 )部门计划中的各项活动可以细分到岗作进行支持， 6 并修正工作任务与目标之间的偏循环的动态系统，它所包含的各个环节紧密联位职责中; 岗位职责的履行保证部门计划的差; 纪录工作过程中的关键事件或绩效数系、环环相扣，任何一环脱节都将导致战略绩完成。据，为评价绩效提供信白、。效管理的失败。所以，建立适合实际的战略绩归纳起来，整个模型有 “ 两条主线” 一 : (3 绩效评价。即考评者对照工作目 ) 标和效管理体系，井不断地加以完善和改进，以此是根据企业战略分解 “ 企业一部门一个人” 年初的绩效标准，采用科学的考评办法与衡量全面提升供电企业的管理水平，为供电企业打的目标体系。另一条主线是战略分解的 “ 企技术评定员工工作任务完成情况、工作职责造高品质的管理模式与运作机制，使企业在全业一部门一个人”的指标体系。而在分解的履行程度和个人发展情况的过程。面提升核心竞争力的基础上获得超强的竞争过程中，又体现了分层管理的思想，用平衡计 (4)绩效反馈。绩效反馈就是使员工了解优势和发展能力，这具有深远的意义。分卡分解企业级指标体系给部门，而用 “ 流自身绩效水平的各种绩效管理手段。就评估程分解法”再将部门指标分解给个人。目标结果与员工讨论，对员工绩效不佳进行分析，体系与指标体系相互协调、相互印证，构建找出原因，井对下一步如何做好工作拟定意见

基于仿生小波的阈值语音增强算法

基于仿生小波的阈值语音增强算法
我们提出了一种基于仿生小波的阈值语音增强算法。

首先，将语音信
号进行小波变换，提取脉冲码信号；然后，计算其每个频带和它们组成的
全局特征，建立仿生小波模型；在此基础上，利用阈值更新算法，把仿生
小波特征转化成识别阈值；最后，用这些阈值识别增强信号中的低频部分，对其进行改善处理，从而实现语音增强的目的。

本方法能够在保持原始语
音的情境特征的同时，有效地增强低频，使语音的质量得到改善。

基于改进的小波阈值函数语音增强方法

基于改进的小波阈值函数语音增强方法董胡;谭乔来【摘要】The traditional wavelet threshold denoising method can cause the loss of useful speech signal, and the improvement of signal to noise ratio is not ideal. By analyzing the principle of wavelet denoising, an improved speech enhancement method of wavelet threshold function is proposed. The method combining the advantages of wavelet denoising for soft and hard threshold function, which can overcome disadvantage of discontinuous and bias for hard threshold function and soft threshold function respectively. The method makes judgment for voiced signal in the first place, then uses changed threshold to the wavelet coefficients of voiced and unvoiced signal in processing. The simulation experimental results show that the improved method is very suitable for speech enhancement under strong noise background, no matter keeping the voiced speech information in the noise speech signal or improving signal-to-noise ratio index, the improved method is better than traditional soft threshold method, the spectrum subtraction and the wavelet transform of auditory sensation.%传统的小波阈值去噪方法会造成有用语音信号的损失, 信噪比改善情况不理想. 通过分析小波去噪原理,提出了一种改进的小波阈值函数语音增强方法. 该方法结合小波软、硬阈值函数去噪的优点, 克服了硬阈值函数的不连续及软阈值函数存在偏差的缺点. 该方法首先对清浊音信号进行判断, 接着采用变化的阈值对清浊音信号的小波系数进行不同的阈值处理. 仿真实验结果表明, 改进的方法非常适用于强噪声背景下的语音增强, 无论在保留含噪语音信号中的清音信息, 还是在信噪比改善指标上均优于传统的软阈值法、谱减法和听觉感知小波变换法.【期刊名称】《计算机系统应用》【年(卷),期】2015(024)008【总页数】5页(P160-164)【关键词】小波变换;语音增强;阈值函数;信噪比;谱减法【作者】董胡;谭乔来【作者单位】长沙师范学院电子与信息工程系,长沙 410100;湘南学院电子信息与电气工程学院,郴州, 423000【正文语种】中文信号去噪是信号处理领域的经典问题之一. 传统的去噪方法主要包括线性滤波方法和非线性滤波方法, 如中值滤波和Wiener滤波等. 传统的去噪方法的不足在于使信号变换后的熵增高、无法刻画信号的非平稳特性且无法得到信号的相关性. 为客服上述缺点, 人们开始使用小波变换解决信号去噪问题. 语音信号具有一定的特殊性,直接采用阈值处理效果不太理想. 由于语音中的清音包含了相对多的高频成分,直接使用阈值处理时可能会被当作噪声而处理掉[1-4]. 随机噪声的小波变换高频系数幅值随着尺度的增加而快速衰减, 且高频系数的方差也快速地衰减. 传统的软、硬阈值法去噪都存在一定的不足, 即软阈值法去噪会使得去噪后的信号丢失某些特征, 而硬阈值法去噪在信号平滑度存在欠缺, 因此本文在此基础上进行了改进, 提出了一种改进的小波阈值函数语音增强方法. 该方法结合软、硬阈值函数的优点, 采用变化阈值对清浊音信号作不同的阈值处理, 既遏制了噪声,又减少了对有效语音段信息的损伤,增强了信噪比.小波对突变点位置的确定非常有效. 等建立了小波变换与刻画信号奇异性的指数之间的密切关系, 利用小波变换来分析信号的奇异性及奇异位置和奇异程度是比较有效的[5]. 用指数描述函数的局部奇异性. 设n是一个非负整数, , 如果存在两个常数A和, 均有:则称在点为.如果上式对所有均成立, 且, 则称在(a,b)上是一致. 显然, 在点的刻画了函数在该点的正则性, 则称在点是. 在小波变换中, 局部奇异性定义为:设, 如果对, 小波满足且连续可微, 并且有n阶消失矩(n为正整数), 则有:其中K为常数. 由此可知, 如果函数的指数, 则该函数的小波变换系数将随着尺度的增大而增大; 反之, 若, 则函数的小波变换系数将随着尺度的减小而减小. 比较不同尺度间小波变换模极大值的变化情况[6,7], 去除系数随尺度增加而减小的点(对应噪声极值点), 再由保留的模极大值点用交替投影法进行重建, 即可以达到去噪目的. 设带噪语音信号为:式中, 为含噪语音信号, 为纯净语音信号, 为加性高斯白噪声, N为语音信号长度. 首先对带噪语音信号进行离散序列小波变换,得到含噪声的小波系数; 然后用设定的阈值作为门限对小波系数进行处理, 仅让超过门限的小波系数用于小波变换来重构语音信号[8].提出的硬阈值函数表达式为:软阈值函数表达式为:上式中, t表示阈值函数的阈值. 一般而言, 硬阈值函数在t处不连续且利用它重构的信号会产生振荡; 而硬阈值函数虽连续性好, 但与r存在偏差且会影响重构信号与真实信号之间的近似程度. 文献[9]给出了硬、软阈值函数折衷法, 构造的阈值函数表达式如下:上式中, k的取值范围: . 分析可知, 当时, 该阈值函数在处连续; 反之, 而当时, 此阈值函数在处不连续. 经过该折衷法处理后的信号可能会产生振荡.改进的阈值函数具有无穷阶连续导数, 与硬、软阈值函数比较, 具有较明显的优点, 具体分析函数如下:当x>0时,当x<0时,通过分析可知式(8)是以直线f(x)=x为渐近线. 也即改进小波阈值函数以为渐近线, 当r增大时逐渐接近r, 避免了软阈值函数与r之间存在偏差缺点. 与此同时, 当阈值t较小时, 改进的阈值函数的表现与硬阈值函数相当. 因此, 与传统的硬、软阈值相比, 改进的阈值函数提高了信号的重构精度, 改善了去噪效果, 具有明显的优势. 硬阈值函数、软阈值函数及改进的阈值函数之间的关系如图1所示.设置一个阈值作用于带噪语音各尺度下的小波系数,仅让超过阈值的小波系数参加反变换, 重构出去噪后的语音. 将阈值设置为[10]:式中表示噪声方差, 上述阈值方法对不同的尺度采用相同的阈值,去噪效果不理想. 由前面分析可知, 随着尺度的增加, 噪声的模极大值减小, 故阈值也应随着尺度的增加而减小[11], 因此定义新阈值如下:随着尺度j的增大,t(j)的值逐渐减小,使得阈值与噪声在小波变换各尺度上的传播特性保持一致. 采用阈值法处理语音信号时,要防止清音部分信息受到破坏; 因为清音部分包含了一些类似噪声的高频成分,如果去除了清音中的高频成分会严重影响到重构语音的品质. 根据清音、浊音信号在不同尺度上的小波变换系数分布的不同, 对清浊音作如下判别处理: 首先对被噪声污染的语音信号做多层小波分解,计算每个尺度上的平均能量; 再进行清浊音判断, 如果输入的语音段满足[12]: ①最小尺度上的信号能量最高(即高频段信号能量最强); ②最大尺度上的信号能量与最小尺度上的信号能量之比小于0.9, 则判断为清音. 最后对清浊音段采用不同的阈值处理: 若为清音,则只对最小尺度上的小波系数处理, 否则对全部小波系数进行阈值处理; 最后, 重构语音信号.利用软件对本文提出的改进阈值函数方法进行仿真实验. 在实验室安静环境下录制纯净的连续语音信号, 采样频率为16000Hz, 16bit量化, 单声道, 数据长度为45000点, 背景噪声为高斯白噪声,帧长取220点, 帧移为70点. 通过改变噪声强度,分别构成-5dB、0dB、5dB、10dB四种不同信噪比含噪语音信号. 采用小波进行分解,分解层数为5, 语音样本为“身上穿着一件厚袍子”. 图2至图5分别是用软阈值法、谱减法、听觉感知小波变换法及本文提出的改进阈值函数法进行语音增强的结果比较.比较上述四种语音增强方法可知, 在强噪声背景下, 本文提出的改进阈值函数语音增强方法的去噪效果要优于软阈值法、谱减法及听觉感知小波变换法. 此外, 对于清音部分的检测(如语音样本中“子”), 本文提出的改进阈值函数方法效果最佳, 而另外三种语音增强方法却几乎无法有效地检测出清音部分信号, 且软阈值法、谱减法和听觉感知小波变换法对语音有一定的损伤. 实验证明, 采用本文提出的改进阈值函数方法后语音信噪比得到较大的提高, 经过主观试听,去噪后的语音清晰,比较接近原始纯净语音信号.为对本文提出的改进小波阈值增强方法作出评价, 将输出信噪比(SNRout)和均方误差(MSE)作为衡量指标, 评价指标定义如下:输出信噪比按公式(11)计算[13]:均方误差按公式(12)计算[14]:表1 给出了在不同信噪比下使用四种语音增强方法后的输出信噪比(SNRout)、均方误差(MSE).从表 1 中可知, 当输入信噪比相同时, 本文提出的改进小波阈值函数法的语音增强效果显著, 含噪语音信号经过语音增强后, 输出信噪比随着输入信噪比的增大而增大, 且增强后的语音品质较好. 在相同的信噪比条件下, 本文提出的改进小波阈值函数法的增强语音的均方误差也明显小于另外三种语音增强方法.本文提出了一种改进的小波阈值函数的语音增强方法, 该方法不仅具备硬、软阈值函数的优点, 也在一定程度上弥补了硬、软阈值函数的缺陷. 通过仿真实验, 验证了本文提出的方法比软阈值法、谱减法和听觉感知小波法对含噪语音信号的语音增强效果更好. 该方法既可有效地去除白噪声又能减小有效语音段的畸变; 另外, 根据小波最大尺度和最小尺度信号能量之比值及清浊音采用不同的阈值处理, 对清浊音进行了良好的判别, 较好地保留了语音中的清音信号, 同时又提高了信噪比. 在强噪声环境下, 本文提出的改进的小波阈值函数方法有更好的语音增强效果.1 Bahoura M, Rouat J. Wavelet speech enhancement based on the teager energy operator. IEEE Signal Processing Letters, 2001, 8(1): 10–12.2 崔兆国,周萍.基于TEO能量谱减法的语音增强技术的研究.计算机应用与软件,2014,31(1):151–153.3 王继曾,王婵飞.基于最佳门限消噪语音增强一种新方法的研究与实践.计算机应用与软件,2009,26(1):253–254.4 周夕良.基于μ律拟合的小波自适应阈值去噪算法.计算机工程与应用,2011,47(27):141– 143.5 张德丰.MATLAB小波分析.北京:机械工业出版社,2012.6 金彩虹.基于Lipschitz指数的小波阈值去噪方法.噪声与振动控制,2008,28(6):13–16.7 张旭东,詹毅,马永琴.不同信号的小波变换去噪方法.石油地球物理勘探,2007,42(B08):118–123.8 谭乔来,钱盛友,陈亚琦.一种改进阈值函数的小波语音去噪方法.电声技术,2008,32(2):52–54.9 徐晨,赵瑞珍,甘小冰.小波分析应用方法.北京:科学出版社,2004.10 Donoho DL. Denoising by soft thresholding. IEEE Trans. on Inform. Theory, 1995, 41(3): 613–627.11 马晓红,宋辉,殷福亮.自适应小波阈值语音增强新方法.大连理工大学学报,2006,46 (4):561–566.12李冲泥,胡光锐.一种改进的子波域语音增强方法.通信学报,1999,20(4):88–91.13 李野,吴亚锋,刘雪飞.基于感知小波变换的语音增强方法研究.计算机应用研究,2009,26(4):1313–1315.14 邓玉娟.基于小波包的阈值语音去噪算法研究.电声技术,2009,33(9):65–69.。

基于小波变换的语音信号增强方法研究

wˆ j,k
{wj,k 0,
| wj,k | | wj,k |
软阈值函数:
wˆ j,k

sign(w {
j
,k
)

(|
wj,k
0,
| ),
| wj,k | | wj,k |
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。

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)
语音信号的5层小波分解 S cA5 cD1 cD2 cD3 cD4 cD5
能量元定义:设某数据序列为{xi}i1,2, ,N 则该序列的能量元为
N
N
E
Ei
xi2
i 1

wˆ j,k

wj,k sgn(wj,k )(1 ),
0,

w
j
,k

1
2
exp(2w j ,k
/
)
,
| wj,k | | wj,k |
其它
其中 0 0 a 1 图是在λ = 1，
γ=λ/3情况下的新阈值函数。
2.5新阈值函数的分析
0．1385
SNR=8
0．1096
SNR=16
0．0895
新算法去噪后MSE 0．0532 0．0467 0．0423 0．0397
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。

双树复小波包变换语音增强新算法

双树复小波包变换语音增强新算法
王娜;郑德忠;刘永红
【期刊名称】《传感技术学报》
【年(卷),期】2009(022)007
【摘要】实小波包变换是语音增强中效果较好的一种算法,利用阈值的方法对小波包系数进行压缩进而重构语音信号.分析了实小波包变换的平移敏感性,以及其对语音进行增强时的缺陷.提出采用双树复小波包变换方法进行语音增强,当低通滤波器和高通滤波器对应的小波基近似为希尔伯特变换对时,该变换能大大减小实小波包变换中的平移敏感性.同时考虑小波包系数之间的相互关系,提出了重叠块复阈值算法.结果表明,算法优于传统实小波包变换及点阈值算法,尤其对含周期噪声的语音信号,双树复小波包变换算法的优势更为明显.
【总页数】5页(P983-987)
【作者】王娜;郑德忠;刘永红
【作者单位】燕山大学测试计量技术及仪器河北省重点实验室,河北,秦皇
岛,066004;燕山大学测试计量技术及仪器河北省重点实验室,河北,秦皇岛,066004;燕山大学测试计量技术及仪器河北省重点实验室,河北,秦皇岛,066004
【正文语种】中文
【中图分类】TN912.3
【相关文献】
1.基于双树复小波变换的图像检索新算法 [J], 舒彬
2.一种基于双树复小波变换的图像去噪算法 [J], 毕思文;陈浩;帅通;李娜
3.基于双树复小波变换的红外小目标检测算法 [J], 王鹤;辛云宏
4.基于双树复小波变换和频域U-Net的多光谱图像融合算法 [J], 李建飞;陈春晓;王亮
5.结点阈值小波包变换语音增强新算法 [J], 王娜;郑德忠
因版权原因，仅展示原文概要，查看原文内容请购买。

联合改进子空间的自适应小波包阈值语音增强算法

联合改进子空间的自适应小波包阈值语音增强算法任永梅;张雪英;贾海蓉;贾雅琼【期刊名称】《计算机应用与软件》【年(卷),期】2016(033)005【摘要】针对传统自适应小波包阈值算法增强的语音存在失真的问题，提出联合改进子空间的自适应小波包阈值语音增强算法。

提出的新算法对带噪语音首先做KL 变换（Karhunen Loeve Transform）得到其特征值，并用自适应小波包阈值算法对该特征值进行处理，以去除部分噪声子空间；接着用递归最小二乘算法（RLS）对噪声的特征值进行估计，修正传统子空间算法容易导致的特征值估计偏差问题；最后用经过自适应小波包阈值算法处理得到的新的特征值减去噪声特征值，以去除所有噪声子空间并由 KL 逆变换最终还原出纯净语音。

仿真结果表明新算法相比传统自适应小波包阈值算法有更优的增强效果，减少了语音失真。

并且在信噪比较低的情况下，新算法对增强的语音的信噪比和分段信噪比提高得更多。

%For distortion problem existed in speech enhanced by traditional adaptive wavelet packet threshold algorithm,we propose the adaptive wavelet packet threshold speech enhancement algorithm combined with improved subspace.The new algorithm proposed first makes Karhunen Loeve transform on noisy speech to get its eigenvalues,which are then dealt with by adaptive wavelet packet threshold algorithm to remove part of the noise subspace.Then it adopts recursive least squares algorithm (RLS)to estimate the noise eigenvalues,and revises the eigenvalue estimation deviation caused by traditional subspace algorithm.Finally the algorithmuses the derived new eigenvalues processed by adaptive wavelet packet threshold algorithm to subtract the noise eigenvalues so as to eliminate all the noise subspace and eventually restores the pure speech by KL reverse transform.Simulation results show that this new algorithm has better enhancement effect compared with traditional adaptive wavelet packet threshold algorithm,and reduces the speech disto rtion as well.And what’s more,in the circumstance of low SNR,the new algorithm gains much higher improvement in signal-to-noise ratio (SNR)and segment SNR (SSNR)of the enhanced speech.【总页数】4页(P140-143)【作者】任永梅;张雪英;贾海蓉;贾雅琼【作者单位】湖南工学院电气与信息工程学院湖南衡阳 421002; 湖南工学院信号与信息处理重点实验室湖南衡阳 421002;太原理工大学信息工程学院山西太原030024;太原理工大学信息工程学院山西太原 030024;湖南工学院电气与信息工程学院湖南衡阳 421002; 湖南工学院信号与信息处理重点实验室湖南衡阳421002【正文语种】中文【中图分类】TP391.9【相关文献】1.基于自适应阈值的小波包非接触语音增强方法研究 [J], 薛慧君;李盛;路国华;张杨;焦腾;王健琪;荆西京2.一种新的自适应阈值小波包语音增强算法 [J], 任永梅;肖冬瑞3.基于新阈值函数和自适应阈值的小波包语音增强研究 [J], 刘冲冲;邹翔;周正仙4.用后验信噪比修正小波包自适应阈值的语音增强算法 [J], 张雪英;任永梅;贾海蓉5.用小波包改进子空间的语音增强方法 [J], 贾海蓉;张雪英;牛晓薇因版权原因，仅展示原文概要，查看原文内容请购买。

1、下载文档前请自行甄别文档内容的完整性，平台不提供额外的编辑、内容补充、找答案等附加服务。
2、"仅部分预览"的文档,不可在线预览部分如存在完整性等问题,可反馈申请退款(可完整预览的文档不适用该条件!)。
3、如文档侵犯您的权益，请联系客服反馈,我们会尽快为您处理(人工客服工作时间：9:00-18:30)。

ａｎａｌｖｓｉｓ
ａｂｉｌｉｔｖＳＯ
ｔｈａｔ
●
ｉｔ
ｃａｎ
ｂｅｔｔｅｒ
ｓｉｍｕｌａｔｅ
ｔｈｅＩｒｅｑｕｅｎｃｖ
ａｎａｌｖｓｉｓ
ｃｈａｒａｃｔｅｒｉｓｔｉｃｓ
ｏｔ
ｈｕｍａｎ
ｅａｒ．Ｉｎｔｈｉｓ
ｐａｌ
．ａ
．
ｎｅｗ
ａｌｇｏｒｎｉｔｔｎｈｍｍ。ｉｓｐＤｒｒｏｐｏｓｓｅｅｄ
ｆｔｏｏｒｔｓｐｏｅｅｅｅｃｃｌｈ３
ｆＯ．ｏＶ，０＜厂＜５００
ｚ＝｛０．ｏｏｖｆ＋１．５，５００≤ｆ＜１２２０
（１）
ｔ６１ｎｆ一３２．６，ｆ≥１２２０
令小波多分辨分析中的滤波器系数分别为ｈ孟和ｇ孟，
ｆ咖（右）＝∑ｈ孟ｄｐ（２ｔ—ｋ）Ｉ＿哕（右）＝∑ｇ孟ｄｐ（２ｔ一尼）
图１Ｂａｒｋ尺度小波包分解结构示意图
Ｆｉｇ．１ＤｅｃｏｍｐｏｓｉｔｉｏｎｓｔｒｕｃｔｕｒｅｏｆＢａｒｋ－－ｓｃａｌｅｄｗａｖｅｌｅｔｐａｃｋａｇｅｔｒａｎｓｆｏｒｍ
进行Ｂａｒｋ尺度小波包变换，采用结点阈值法进行阈值操
作，选取参数为。
噪声为白噪声时，进行了不同信噪比下的对比实验，对
比算法为Ｒ．Ｍａｒｔｉｎ提出的谱减法。实验结果表明，信噪比
较高时，本文算法接近谱减法，而信噪比较低时则远远优于
谱减法。图３给出了信噪比为一５ｄＢ时的实验结果。
１ ∞
≮
赵０
１吨ｎⅢ｝
一１Ｏ
●
●
１●
●
●
１１
１
１
●
１
●
●
１●
ｎＯＵＳｎＯｌＳｅｃｏｎ（１ｌｔｌｏｎｓ．ｅｓｏｅｅｌａＬｌＶＵｎＣＩｅｒｃＯｌｏｒｎｏｉｓｅａｎｏｎｏｎ－ｓｔａｔｌｏｎａｒＶｎＯｌＳｅｃｏｎ（１ｌｔｌｏｎｓ．
Ｋｅｙｗｏｒｄｓ：ｓｐｅｅｃｈｅｎｈａｎｃｅｍｅｎｔ；Ｂａｒｋ－ｓｃａｌｅｄｗａｖｅｌｅｔｐａｃｋｅｔｄｅｃｏｍｐｏｓｉｔｉｏｎ；ｎｏｄｅｔｈｒｅｓｈｏｌｄ；ｓｐｅｃｔｒａｌｅｎｔｒｏｐｙｍｅｔｈｏｄ
２ ∞ ￥
．＿．…▲…■Ｌ．．Ｉ一－一…～．
－一１１寇０
二１￡衄ｌ
一一＿ｒ。
－２
０
０．５
１
１．５
２
ｔ｜Ｓ
（ｄ）谱熵法增强后的语音信号
（ｄ）Ｅｎｈａｎｃｉｎｇｓｐｅｅｃｈｗｉｔｈｓｐｅｃｔｒａｌｅｎｔｒｏｐｙ
图３信噪比为一５ｄＢ的含白噪声的语音信号增强结果
Ｆｉｇ．３
ＥｎｈａｎｃｅｍｅｎｔｒｅｓｕｌｔｓｏｆｓｐｅｅｃｈｓｉｇｎａｌｃｏｎｔａｉｎｉｎｇｗｈｉｔｅｎｏｉｓｅｗｈｉｌｅＳＮＲｉｓ一一１气ＩｄＢ
（２）计算结点ｎ处的归一化谱熵
Ｂ
Ｅｎｔｒｏｐｙ（７１１）＝∑Ｐ咖ｌｏｇＰ咖
（６）
（３）估计频谱强度和噪声标准差，确定结点阈值
利用直方图估计每一结点的频谱强度，并设辅助阈：
ｏ（ｎ）＝Ｅｎｔｒｏｐｙ（ｎ）·ＮＵＭ凡·卢
（７）
于是得到噪声标准差：
吒，孟＝ｎｂ×Ｗ
（８）
式中：儿６为大于ｏ（ｎ）的直方条数目，ｗ为直方条的宽
收稿日期万：方２０数０６－据０６ＲｅｃｅｉｖｅｄＤａｔｅ：２００６－０６
结果中存在音乐噪声，因此达不到令人满意的效果。ＭＭＳＥ和维纳滤波方法计算量适中，但没有提供在语音信号的失真和残留噪声之间进行控制的机制。
基于小波变换的信号去噪是近年来发展起来的去噪新方法，它利用信号和噪声的小波系数在各尺度上的不同分布特性，采取阈值的方法，达到去除噪声的目的∞Ｊ。常用的小波变换去噪法一刮以阈值的形式虽然可以对带噪语音去除噪声，但去噪同时也丢失了大量语音清音信息，严重影响了重建信号的质量。小波包变换是在小波变换基础上进一步提出的，具有很好的频带划分功能。文献［９—１０］采用小波包变换对语音信号进行增强，但这些方法是在高斯白噪声前提下提出的，具有很大局限性，
—ＩＪ＿● Ｌ．
—＿＿１Ｉ
Ｏ．５
一
１
１．５
ｔ／ｓ
＿ｏｒ。
（ａ）原始纯净语音信号（ａ）Ｐｕｒｅｓｐｅｅｃｈｓｉｇｎａｌ
＿＿
２
５ ∞ ≮
越０
１衄
－￡＝Ｌ
－５Ｏ
Ｏ．５
１
１．５
２
ｔ／ｓ
（ｂ）信噪比为一５ｄＢ的带噪语音信号
（ｂ）ＳｐｅｅｃｈｓｉｇｎａｌｗｉｔｈＳＮＲｉｓ－５ｄＢ
ｔ／ｓ
（ｃ）谱减法增强后的语音信号（ｃ）Ｅｎｈａｎｃｉｎｇｓｐｅｅｃｈｗｉｔｈｓｐｅｃｔｒａｌｓｕｂｔｒａｃｔｉｏｎ
幅值很小，所余系数主要由语音信号控制。因此阈值法对
小波系数设置一个门限，仅利用超过门限的那些显著的小
波系数来重构语音信号，这样可较好地去除噪声。
常规小波阈值方法是在高斯白噪声前提下提出的，
在小波包分解情况下，阈值为人＝叮以ｌｎ（儿ｌ０９２Ｎ），盯＝
ＭＡＤ／Ｏ．６７４５，ＭＡＤ是第一层小波系数的绝对值取中
图中针对８ｋＨｚ的采样信号，在原１７个频带分解基础上，对６２５Ｈｚ以下频带和３０００～４０００Ｈｚ频带进一步分解，使其子带中心频率相差１／２Ｂａｒｋ，最终得到２４个子频带。（ｍ，儿）表示对信号进行第ｍ级分解得到的第儿个结点。对１６ｋＨｚ采样信号可在高频带做进一步分解。图２是对应小波包分解得到的子带中心频率与人耳实际特性的比较图，实线代表按式（１）得到的人耳ｂａｒｋ—Ｈｚ曲线；水代表本文提出的２４子频带ｂａｒｋ尺度小波包分解结构。从图２中可见，采用的小波包很好地模拟了人耳听觉特性。
１引
．．．：Ｌ一
目
由于环境的影响，语音识别系统不可避免的受到各种噪声的污染，系统性能下降。为此，人们提出许多语音增强算法来从带噪语音中尽可能地提取纯净的原始语音。
一般来说，语音增强的方法分为２大类：时域方法（如子空间法）ｕ剖和频域方法（如谱减法旧Ｊ、最小均方误差（ＭＭＳＥ）估计Ｍ１和卡尔曼滤波法∞１等）。时域方法一般计算量较大，而频域法计算量较小，其中，谱减法是近年来研究较多的方法，它具有计算量小的特点，但在处理
提出了一种新的基于结点阈值的小波包变换语音增强算法。采用Ｂａｒｋ尺度小波包对含噪语音进行分解，在语音信号的子带层
次上进行阈值操作，并采用软阈值方法进行阈值处理。采用谱熵法估计结点噪声。实验表明，该算法在多种噪声，尤其是有色
噪声和非平稳噪声条件下均有较好的语音增强效果。
关键词：语音增强；Ｂａｒｋ尺度小波包分解；结点阈值；谱熵法
与实际应用环境并不符合，因此，本文采用谱熵法帕１估计
噪声，步骤如下：
（１）用小波包分解系数直方图估计每一终端结点的
频谱密度函数（设直方图中有Ｂ个直方条）
Ｐｎ，ｂ＝蒜，¨１，２，…，Ｂ
（５）
式中：儿配ｍ砌为在直方条ｂ中的小波系数Ｃ舶的数目，
ＮＵＭ凡为该终端结点的系数总数目，ｎ＝１，２，…，２４是结
点（．７，ｋ）的序列号，按频率大小排列。
纯净语音样本来源于安静环境下８ｋＨｚ采样的自然
连续语音，噪声来源于噪声数据包ＮｏｉｓｅＸ９２，选取了白噪
声（Ｗｈｉｔｅ）、Ｆ１６战机噪声（Ｆ１６）、粉色噪声（Ｐｉｎｋ）、工厂
噪声（Ｆａｃｔｏｒｙｌ）和汽车噪声（Ｃａｒ）。通过改变噪声强度，
构造不同信噪比的含噪语音。采用５阶Ｄａｕｂｅｃｈｉｅｓ小波
本文在上述研究的基础上提出了一种新的阈值选取
方法，称之为“结点阈值法＂，它是对每个小波包树的终
札＝吒，孟痂端结点应用不同的阈值，表示为：
（４）
式中：盯舶是小波包树终端结点（歹，ｋ）处的噪声标准差。
这种阈值取法突破了高斯白噪声和平稳噪声的局限性。
在上述各种阈值中，都存在噪声标准差盯的估计问
题。传统的ＭＡＤ估值方法是在高斯噪声前提下提出的，
第２８卷第５期２００７年５月
仪器仪表学报
ＣｈｉｎｅｓｅＪｏｕｒｎａｌｏｆＳｃｉｅｎｔｉｆｉｃＩｎｓｔｒｕｍｅｎｔ
ＶｏＬ２８Ｎｏ．５Ｍａｙ２００７
结点阈值小波包变换语音增强新算法
王娜，郑德忠（燕山大学电气工程学院秦皇岛０６６００４）
摘要：人耳频率分辨率是非线性的，而小波包算法有灵活的时频分析能力，可较好的模拟人耳基底膜的频率分析特性。本文
耳Ｂａｒｋ域频率频率感知特性相似的小波包分解结构，称之为“Ｂａｒｋ尺度小波包分解＂。常规方法是模拟人耳的２４个频率群，对于８ｋＨｚ采样的语音信号，选取１至第１７个频率群，得到的每个子带的中心频率相差１Ｂａｒｋ。实验证实，如果对Ｂａｒｋ域进行更细致的划分，对语音的描述会更加细致，也不会导致较大的计算量ｕ１｜。因此，本文提出一种新的小波包分解结构，如图１所示。
卜（右）＝在∑厄（尼）ｌＺｎ（２ｔ一尼）
Ｎ
墨
毒
Ｉ＿配２州（右）＝在∑厄（尼）ｌＺｎ（２ｔ一尼）
冀ｏ
ｉｆ－
万方数据
图２小波包分解对人耳Ｂａｒｋ域频率描述的模拟示意图
Ｆｉｇ．２ＩｌｌｕｓｔｒａｔｉｏｎｏｆｓｉｍｕｌａｔｉｎｇＢａｒｋｆｉｅｌｄｆｒｅｑｕｅｎｃｙ
●
●
●
，Ｉ
●
ｐｅｒｃｅｐｔｉｏｎｃｈａｒａｃｔｅｒｌｓｔｌｃｏ土ｈｕｍａｎｅａｒｕｓｉｎｇｗａｖｅｌｅｔ
ｐａｃｋａｇｅｄ小波语音增强新算法
基于阈值的小波域语音增强算法是一种直观而有效的去噪方法。语音信号与噪声的小波变换呈现的特性截
９５４
仪器仪表学报
第２８卷
然相反，语音信号的小波变换模值随小波尺度的增加而增
加，而噪声的模值随小波尺度增加而减小。这样，连续若
干次小波变换后，噪声所对应的小波变换系数基本去除或