基于NMF的MCLP语音去混响方法研究
《基于深度学习的语音去混响方法研究》范文
《基于深度学习的语音去混响方法研究》篇一一、引言随着语音技术的发展和广泛应用，语音信号的处理成为了一个重要的研究领域。
在各种语音处理任务中，语音去混响是一个具有挑战性的问题。
混响是由声音在传播过程中与周围环境相互作用产生的，它会对语音的清晰度和可辨识度产生负面影响。
因此，研究有效的语音去混响方法对于提高语音质量和可辨识度具有重要意义。
近年来，基于深度学习的语音去混响方法取得了显著的成果，本文将对此进行深入研究。
二、深度学习在语音去混响中的应用深度学习是一种强大的机器学习方法，能够从大量数据中自动提取和学习特征。
在语音去混响领域，深度学习通过建立复杂的模型来学习混响信号与原始信号之间的关系，从而实现去混响的效果。
目前，基于深度学习的语音去混响方法主要包括基于深度神经网络（DNN）的方法、基于循环神经网络（RNN）的方法以及基于卷积神经网络（CNN）的方法等。
三、基于深度学习的语音去混响方法研究1. 数据集与预处理本研究采用公开的语音数据集进行实验，包括训练集和测试集。
在预处理阶段，对语音信号进行分帧、加窗等操作，以便于后续的模型训练。
此外，还需要对数据进行归一化处理，以提高模型的训练速度和准确性。
2. 模型构建本研究采用基于循环神经网络的模型进行语音去混响。
循环神经网络能够有效地处理序列数据，适用于处理具有时序特性的语音信号。
在模型中，我们使用长短时记忆网络（LSTM）作为核心结构，以捕捉语音信号中的时序信息。
此外，我们还采用卷积神经网络（CNN）对输入的语音信号进行特征提取。
3. 模型训练与优化在模型训练阶段，我们使用均方误差（MSE）作为损失函数，通过反向传播算法更新模型的参数。
为了防止过拟合，我们还采用dropout、L1/L2正则化等技巧。
在优化过程中，我们使用Adam等优化算法来调整模型的参数，以获得更好的去混响效果。
4. 实验结果与分析通过对比实验，我们发现基于深度学习的语音去混响方法在各种噪声环境下均取得了较好的效果。
基于深度神经网络的语音去混响方法研究
基于深度神经网络的语音去混响方法研究标题：基于深度神经网络的语音去混响方法研究摘要：语音去混响是音频处理领域的一个重要研究方向，其主要目的是消除语音信号中受到混响影响的部分，提高语音信号的清晰度和听觉质量。
本文针对传统的语音去混响方法存在的一些问题，提出了一种基于深度神经网络的语音去混响方法。
通过神经网络的端到端学习，我们能够从有噪声的语音信号中去除混响，并恢复原始语音信号。
1. 引言语音去混响是语音信号处理领域的一个热点问题，其在语音通信、语音识别、语音合成等应用中具有重要作用。
在实际应用中，由于录制环境、录音设备等因素的限制，语音信号常常受到混响的影响，降低了语音信号的清晰度和准确性。
因此，研究如何有效去除语音信号中的混响成为了一个迫切的问题。
2. 传统方法的问题传统的语音去混响方法主要包括积分干扰模型 (ITM)、最小均方(误差)复原算法 (MMSE)、时间频域上下文准确定义复原算法 (TF-cn) 等。
这些方法大多基于频域或时域的信号处理技术，对语音信号进行滤波、建模和估计，以消除混响。
然而，这些方法存在一些问题。
首先，传统方法需要事先对混响环境进行建模，提取环境因素对信号的影响，这需要大量的训练数据和专业知识，且对于不同的混响环境，需要重新训练模型。
其次，传统方法对于复杂的混响情况，如多路径反射、声源位置改变等情况，效果并不理想。
传统方法的局限性使得提高语音在混响环境中的可懂度和准确性变得困难。
此外，传统方法常常需要手动设置参数和规则，不利于自动化处理和扩展。
这导致了传统方法在实际应用中的局限性。
3. 基于深度神经网络的语音去混响方法为了克服传统方法的问题，我们提出了一种基于深度神经网络的语音去混响方法。
该方法采用端到端的学习方式，无需事先进行混响环境建模和特征提取，通过神经网络的自动学习和逐层训练，能够从有噪的语音信号中恢复出清晰的原始语音信号。
具体来说，我们首先收集和准备了大量的混响语音数据集，包括不同的混响环境和语音素材。
语音信号去混响技术研究
语音信号去混响技术研究语音信号去混响技术研究近年来，随着科技的快速发展，语音信号处理技术也得到了长足的进步。
语音信号去混响技术作为其中的重要分支，被广泛应用于音频处理、通信、语音识别等领域。
本文将深入探讨语音信号去混响技术的原理、方法和应用。
一、混响的原理及影响混响是指声音在环境中发生多次反射、衰减和干扰，使声音变得模糊、不清晰的现象。
这种现象常见于封闭空间如教室、会议室等地方，也会在音频设备中产生。
混响对语音信号的质量造成了巨大的影响，因此去除混响成为了语音信号处理的重要任务之一。
混响的产生主要受到以下因素的影响：空间尺寸、墙壁材质、房间内家具摆放等。
一般来说，空间越大、材质越吸音的地方混响效果越小。
而在多种环境中，例如教室、电影院、教堂等，混响时间各不相同，常用的评价混响的指标主要有混响时间、感知混响时间、混响时间曲线等。
二、语音信号去混响技术的方法目前，语音信号去混响主要有两类方法：单麦克风方法和双麦克风方法。
1. 单麦克风方法单麦克风方法是指仅使用一种麦克风录制语音信号，对其进行去混响处理。
该方法主要有波形法、频域法和时频法三种。
波形法是一种基于时域的处理方法，通过控制声音在空间中的衰减程度来消除混响。
该方法通过对语音信号进行滤波等处理，从而减小了混响对信号质量的影响。
频域法则是对语音信号进行傅里叶变换，将语音信号从时域转化为频域。
通过对频域信号进行去混响处理，可以达到去除混响的效果。
这种方法通过分析语音信号在频域上的特征，进而削弱或去除混响的影响。
时频法是一种将语音信号同时转换为时域和频域的方法。
该方法综合了波形法和频域法的优点，对语音信号进行时频域处理，通过时域和频域的相互作用来实现去除混响的目的。
2. 双麦克风方法双麦克风方法是通过使用两个麦克风同时录制语音信号，从而利用麦克风之间的差异进行混响的抑制和去除。
这种方法主要有梅尔频率倒谱系数法、幅度比例谱法和基于波场模型的方法。
梅尔频率倒谱系数法是一种常用的基于双麦克风的去混响方法，它通过计算两个麦克风信号之间的差异，提取出混响信号的特征，并利用这些特征进行后续的处理。
语音降噪处理技术的研究
语音降噪处理技术的研究语音降噪处理技术的研究引言：随着科技的不断发展和人们对通信质量的要求不断提高，语音降噪处理技术成为了当前研究的热点之一。
语音降噪处理技术旨在降低语音信号中的噪声干扰，提高语音的清晰度和可懂性。
本文将探讨语音降噪处理技术的研究现状、方法和应用。
一、研究现状1. 传统语音降噪处理方法传统的语音降噪处理方法主要基于统计模型和滤波技术。
其中，统计模型方法主要有高斯混合模型 (GMM) 和隐马尔科夫模型(HMM) 等，它们通过对语音信号中的噪声进行建模，然后使用最大后验概率 (MAP) 或最大似然估计 (MLE) 等方法进行降噪。
滤波技术则是通过设计滤波器来消除语音信号中的噪声，常见的滤波器包括陷波滤波器、带通滤波器和自适应滤波器等。
2. 基于机器学习的语音降噪处理方法近年来，随着机器学习技术的飞速发展，越来越多的研究者开始应用机器学习方法来进行语音降噪处理。
其中最为常见的方法包括主成分分析 (PCA)、独立成分分析 (ICA)、支持向量机(SVM) 和深度学习等。
这些方法通过从大量的训练数据中学习语音信号的特征，然后利用这些特征进行降噪处理，取得了较好的效果。
二、方法1. 频域方法频域方法是一种常用的语音降噪处理方法。
其基本思想是将语音信号从时域转换到频域，然后通过对频域信号进行滤波来降低噪声干扰。
常见的频域方法包括快速傅里叶变换 (FFT)、小波变换和自适应滤波等。
2. 时域方法时域方法是另一种常用的语音降噪处理方法。
其基本思想是利用时域的相关性和自相关性等特征来进行降噪处理。
常见的时域方法包括自相关函数法、线性预测法和短时能量法等。
三、应用语音降噪处理技术广泛应用于各种语音通信系统中，如手机通话、会议系统、语音识别系统等。
在手机通话中，语音降噪处理技术能有效提高语音的清晰度，降低通话质量受噪声影响的程度；在会议系统中，语音降噪处理技术能够从复杂的环境中过滤出语音信号，使会议讨论更为高效；在语音识别系统中，语音降噪处理技术能够提高语音的信噪比，减少识别错误的发生。
《基于深度学习的语音去混响方法研究》
《基于深度学习的语音去混响方法研究》篇一一、引言在语音通信和语音识别技术中，混响现象是一个常见的挑战。
混响会导致语音信号的清晰度降低，从而影响语音通信的质量和语音识别的准确性。
为了解决这一问题，基于深度学习的语音去混响方法成为了研究热点。
本文将研究这一方法，通过深入分析和探讨其理论原理及实践应用，旨在为提高语音信号的质量提供有效途径。
二、深度学习与语音去混响深度学习是一种模拟人脑神经网络的学习算法，通过构建多层神经网络来提取和转换数据特征。
在语音去混响领域，深度学习能够有效地从带混响的语音信号中提取出纯净的语音信号。
该方法通过训练大量的语音数据，学习到混响与纯净语音之间的映射关系，从而实现对混响的消除。
三、基于深度学习的语音去混响方法1. 数据预处理在进行深度学习之前，需要对带混响的语音信号进行预处理。
预处理包括数据采集、降噪、归一化等步骤，以便于后续的特征提取和模型训练。
2. 特征提取特征提取是深度学习的重要步骤之一。
在语音去混响任务中，需要提取出与混响相关的特征，如频谱特征、时序特征等。
这些特征将被用于训练模型，以学习混响与纯净语音之间的关系。
3. 模型构建模型构建是深度学习的核心步骤。
针对语音去混响任务，可以构建各种深度神经网络模型，如循环神经网络（RNN）、卷积神经网络（CNN）等。
这些模型能够从输入的带混响语音信号中学习到混响与纯净语音之间的映射关系。
4. 模型训练与优化模型训练与优化是深度学习的关键步骤。
通过大量的带混响语音数据对模型进行训练，使模型学习到混响与纯净语音之间的映射关系。
同时，还需要对模型进行优化，以提高模型的性能和泛化能力。
四、实验与分析为了验证基于深度学习的语音去混响方法的有效性，进行了大量实验。
实验数据包括多种场景下的带混响语音信号，以及相应的纯净语音信号。
通过对比实验结果，可以评估该方法在消除混响方面的性能。
实验结果表明，基于深度学习的语音去混响方法能够有效地消除语音信号中的混响现象。
语音信号处理中的降噪与去混响研究
语音信号处理中的降噪与去混响研究现在越来越多的应用场景需要使用语音信号处理技术，例如语音识别、语音合成、语音翻译等。
但在实际应用中，由于环境噪音和混响的影响，导致语音信号的质量下降，从而影响了应用的效果。
因此，降噪与去混响技术成为了语音信号处理领域的重要研究方向。
一、降噪技术降噪技术是指从噪声污染的语音信号中提取出干净的语音信号。
其主要方法包括基于频域的降噪、基于时域的降噪和基于混合域的降噪。
基于频域的降噪方法是指将语音信号从时域转换到频域，通过对频域信号进行处理，得到可以降噪的频域信息。
其中最常见的方法包括谱减法、最小均方差法等。
谱减法是在短时傅立叶变换的基础上，对音频频谱进行处理，削弱频谱噪声部分，增强语音信号部分。
而最小均方差法则是通过对信号的功率谱和噪声的功率谱进行估计，从而进行信号恢复，提升信噪比。
基于时域的降噪方法是指通过在时域上对信号进行滤波处理，去除噪声。
其中最常见的方法包括维纳滤波、Kalman滤波等。
维纳滤波主要是根据噪声和信号的统计特性，对滤波器进行优化，从而实现降噪效果。
而Kalman滤波则是根据信号的状态估计和噪声的模型，对信号进行滤波处理。
这些滤波算法主要是根据不同的信号特点和噪声特征进行调整，从而得到比较好的降噪效果。
基于混合域的降噪方法则是结合频域和时域的降噪技术，同时考虑信号变化和噪声变化的过程。
其中最常见的方法包括盲信号分离、非负矩阵分解等。
盲信号分离是指在没有先验信息的情况下，对混合信号进行估计和分离，以得到单独的音频信号。
非负矩阵分解则是对信号进行降维处理，并进行信息提取，从而得到滤波器系数，实现降噪。
二、去混响技术去混响技术是指对受到混响的音频信号进行处理，从而削弱混响效果，提升信噪比。
其主要方法包括基于时域的去混响和基于频域的去混响。
基于时域的去混响方法是指通过对混响信号的时延、频率响应和振幅响应进行估计和修复，从而实现去混响目的。
其中最常见的方法包括自适应滤波和基于脉冲响应的去混响。
混响环境麦克风阵列语音噪声消除算法研究
混响环境麦克风阵列语音噪声消除算法研究混响环境下的语音噪声消除算法是语音信号处理领域的研究热点之一、混响是指声音在空间中反射、折射和吸收后产生的多次回响，在许多实际场景中都普遍存在。
混响环境对于语音信号的处理和识别都会产生一定的干扰，降低语音识别的准确性和清晰度。
因此，针对混响环境下的语音噪声消除算法的研究具有重要的实际意义。
目前，混响环境麦克风阵列语音噪声消除算法的研究主要包括以下几个方面。
首先，对混响环境的分析和建模。
混响环境的特点是声音在空间中的传播和折射，因此对混响环境进行准确的建模对于算法的设计和性能评估非常重要。
基于声学原理和数学模型，研究者们可以建立声学模型以模拟混响环境的特性。
其次，基于混响环境的语音噪声消除算法。
在混响环境中，语音信号和混响信号是叠加在一起的，因此需要设计算法来分离它们。
常用的方法包括自适应滤波、频谱减法和盲源分离等。
自适应滤波是一种常用的技术，它利用麦克风阵列中的多个麦克风收集到的信号之间的关系，对混响信号进行估计和修复。
频谱减法则是利用语音信号和噪声信号在频率上的差异来进行消噪处理。
盲源分离则是通过对混响信号进行一定的假设和优化，实现对语音信号和噪声信号的分离。
最后，对消噪效果的评估和优化。
为了验证混响环境麦克风阵列语音噪声消除算法的有效性，需要进行实验评估。
评估指标包括语音清晰度、杂音抑制程度、信噪比提高等，通过与传统方法的比较和主观听觉评价可以得出算法的性能优劣。
总之，混响环境麦克风阵列语音噪声消除算法的研究涉及混响环境的建模、语音信号和噪声信号的分离及消噪效果的评估等多个方面。
随着技术的不断进步，我们可以期待在混响环境下的语音噪声消除算法在语音识别、通信和语音增强等领域有更广泛的应用。
《基于深度学习的语音去混响方法研究》
《基于深度学习的语音去混响方法研究》篇一一、引言在语音处理技术中，语音去混响是一项重要的任务。
由于在实际的语音通信和录音过程中，语音信号往往会被混响所干扰，这会影响语音的清晰度和可辨识度。
因此，如何有效地去除语音中的混响成为了当前研究的热点问题。
近年来，随着深度学习技术的发展，基于深度学习的语音去混响方法逐渐成为研究的重点。
本文旨在研究基于深度学习的语音去混响方法，以期为相关领域的研究和应用提供一定的参考。
二、相关研究综述传统的语音去混响方法主要包括基于统计模型的算法和基于信号处理的方法。
然而，这些方法往往难以处理复杂的混响环境，且在处理过程中可能会引入新的噪声或失真。
近年来，随着深度学习技术的发展，越来越多的研究者开始尝试将深度学习技术应用于语音去混响领域。
例如，一些研究者利用循环神经网络（RNN）和长短期记忆网络（LSTM）来对混响信号进行建模和去混响。
此外，还有一些研究者利用深度神经网络（DNN）和卷积神经网络（CNN）来提取语音中的有效信息，从而实现对混响的去除。
三、基于深度学习的语音去混响方法本文提出了一种基于深度学习的语音去混响方法。
该方法主要包括以下步骤：1. 数据预处理：首先对原始的语音信号进行预处理，包括去噪、归一化等操作，以便于后续的深度学习模型的训练。
2. 特征提取：利用深度神经网络或卷积神经网络对预处理后的语音信号进行特征提取。
提取的特征包括时域特征、频域特征等。
3. 建模与训练：利用循环神经网络或长短期记忆网络等模型对提取的特征进行建模和训练。
在训练过程中，通过优化算法（如梯度下降算法）来调整模型的参数，以使模型能够更好地适应不同的混响环境。
4. 去混响：将训练好的模型应用于待处理的语音信号中，通过对模型的输出进行调整和处理，实现对混响的去除。
四、实验结果与分析本文通过实验验证了所提出的方法的有效性和优越性。
实验数据来源于实际录制的语音信号，包括不同环境下的混响信号和对应的无混响信号。
语音去混响技术的研究进展与展望
语音去混响技术的研究进展与展望张雄伟;李轶南;郑昌艳;曹铁勇;孙蒙;闵刚【摘要】Speech interaction technology is becoming increasingly popular in practical voice-driven applica-tions .However ,due to the inferences caused by reverberation in real-world environments ,the perform-ances of speech interaction in the distant-talking condition are far from being satisfactory .Decades of ef-forts are devoted to solving the reverberation problem and spawning a vast variety of practical methods . Recently ,the deep learning technique ,which is developing rapidly and has greatly reshaped the speech processing community ,also acquires remarkable performance in speech dereverberation . However ,a systematic analysis and summary of the inherent relationship between the recent deep learning based methods and the previous classical methods is rarely seen .As such ,we give a comprehensive overview of the current and past development of single channel speech dereverberation .Then ,the main challenges are discussed .Finally ,we share some views of its future development .%语音交互技术在实际的话音驱动应用中得到日益普及.然而,当声源距离传声器较远时,由于实际环境中混响现象的影响,语音交互的性能还远不能使人满意.针对混响问题,数十年来学者们不断地进行大量的研究,并提出了很多实用的方法.特别是近期兴起的在很大程度上改变语音处理格局的深度学习技术,在单通道去混响方面也取得了很多令人瞩目的效果.然而,目前系统性总结分析基于深度学习的去混响方法与经典算法之间联系的工作仍然比较匮乏.因此,本文对单通道语音去混响技术的发展脉络进行系统的梳理和总结,并讨论了有待进一步研究的开放问题.【期刊名称】《数据采集与处理》【年(卷),期】2017(032)006【总页数】13页(P1069-1081)【关键词】语音去混响;语音交互;深度学习【作者】张雄伟;李轶南;郑昌艳;曹铁勇;孙蒙;闵刚【作者单位】中国人民解放军陆军工程大学,南京,210007;中国人民解放军陆军工程大学,南京,210007;中国人民解放军陆军工程大学,南京,210007;中国人民解放军陆军工程大学,南京,210007;中国人民解放军陆军工程大学,南京,210007;国防科技大学信息通信学院,武汉,430010【正文语种】中文【中图分类】TN912.3语音信号处理在过去的数十年间取得了长足的进步，很多话音驱动的系统已经逐步融入到人们的日常生活之中。
基于反幂法和卡尔曼滤波的自适应语音去混响方法
基于反幂法和卡尔曼滤波的自适应语音去混响方法
梅铁民
【期刊名称】《信号处理》
【年(卷),期】2018(034)007
【摘要】噪声鲁棒的自适应语音信号去混响是现代语音信号处理的重要研究内容,其困难在于语音信号的非白性、非平稳性及房间的超长冲激响应特性.针对单输入多输出(SIMO)麦克风阵列系统获取的多路混响语音信号,提出了一种新的去混响算法.首先通过相关法时延估计对SIMO混响语音信号进行时延对齐;其次在保持SIMO系统输出信号间交叉关联关系(cross relation)基础上对混响语音信号进行预白化处理;最后把交叉关联关系、用于矩阵最小特征向量计算的反幂法与卡尔曼滤波解卷积方法有机结合,实现了SIMO混响语音信号的实时自适应去混响.仿真与实验研究表明,本方法对混响语音信号去混响效果明显,同时具有较好的抗噪声性能.【总页数】11页(P776-786)
【作者】梅铁民
【作者单位】沈阳理工大学自动化与电气工程学院,辽宁沈阳110159
【正文语种】中文
【中图分类】TN911
【相关文献】
1.基于卡尔曼滤波的低复杂度去混响算法 [J], 齐园蕾;杨飞然;杨军
2.基于反幂法和扩展卡尔曼滤波的姿态估计算法 [J], 张雄; 黄卫华; 陈劲峰
3.多通道CDR线性预测语音去混响方法 [J], 周城旭;王冬霞;何冲
4.基于混响时间感知的深度学习语音去混响方法 [J], 王小军;马建芬;张朝霞
5.一种基于正交非负矩阵分解的多通道线性预测语音去混响方法 [J], 何冲;王冬霞;王旭东;蒋茂松
因版权原因，仅展示原文概要，查看原文内容请购买。
一种基于改进的量子神经网络的语音降噪方法
一种基于改进的量子神经网络的语音降噪方法
付丽辉
【期刊名称】《信息与控制》
【年(卷),期】2010(39)4
【摘要】利用一种改进的量子神经网络(IPSO-QNN)在时域上对语音信号进行降噪处理,重点改进了QNN所涉及到的学习算法.针对粒子群算法本身存在早熟的不足,提出了一种改进的粒子群优化算法(IPSO).通过对早熟粒子的速度和位置叠加随机数据,使其离开局部最优,从而使该算法具有更强的寻优能力.利用IPSO对量子神经网络的参数进行训练和学习,建立了比较高效的基于改进的量子神经网络的语音信号滤波器,并通过Matlab软件建立实验平台,实验结果表明,新算法充分利用了量子神经计算的快速性以及粒子群算法的全局寻优能力,从而使该语音信号滤波器具有良好的降噪性能.
【总页数】6页(P466-471)
【关键词】语音信号;降噪;量子神经网络;粒子群算法
【作者】付丽辉
【作者单位】淮阴工学院电子与电气工程学院
【正文语种】中文
【中图分类】TP391.4
【相关文献】
1.一种基于径向基函数神经网络的语音降噪方法 [J], 吕伟军;何为
2.基于量子粒子群优化广义回归神经网络的语音转换方法 [J], 王民;赵渊;刘利;许娟
3.一种基于RBF神经网络的汉语耳语音转化为正常语音的方法 [J], 王海燕
4.一种基于RBF神经网络的汉语耳语音转化为正常语音的方法 [J], 王海燕[1]
5.基于改进语音处理的卷积神经网络中文语音情感识别方法 [J], 乔栋;陈章进;邓良;屠程力
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)。
基于NMF的MCLP语音去混响方法研究
麦克风阵列作为一种语音采集装置,其广泛应用于电话会议、演讲厅和助听器等封闭环境时,由于室内混响、噪声等因素的影响,很难获得高音质的语音信号。
为此学者们展开了一系列针对室内混响、噪声等影响因素的语音增强方法研究。
语音去混响技术作为语音增强的重要组成部分,它在语音识别、声源定位和地震数据分析等各个方面同样发挥着不可替代的作用,因此,开展封闭环境下语
音去混响研究具有重要的理论意义和现实价值。
论文对混响的产生、混响表征、混响数学模型等基本理论知识进行系统地阐述,并对当前主要的语音去混响方法进行了详细的描述;最后,在此基础上,展开对实际封闭声学环境下多通道语音去混响方法的研究。
麦克风阵列采集到的混响语音信号通常分为三部分:直达语音部分、早期反射部分和后期混响部分。
由于混响早期反射部分对于提高语音的音质有益,而后期混响部分产生的掩蔽效应会严重降低语音清晰度、音质,所以去混响方法通常将直达语音部分和早期反射部分作为目标信号进行重构。
在论文中,主要对基于多通道线性预测(MCLP)的去混响方法进行了深入的探讨和研究,并在MCLP去混响理论的基础上进行改进处理以达到进一步提高语音
去混响性能的目的。
原MCLP方法中通常直接用阵列采集信号对目标信号协方差进行初始化,为了研究协方差对MCLP方法的影响,论文提出了一种基于相干扩散功率比(CDR)的协方差初始化方案。
另外,纯净语音的短时傅里叶变换系数具有一定的稀疏性且大于混响语音信号的短时系数稀疏特性,因此可以通过提高输出信号的稀疏性来产生一个逼近于期望信号的信号作为最终的输出信号。
论文利用纯净语音信号的短时系数稀疏特
性及其NMF的分解特性,提出将NMF应用到一种基于复广义高斯先验模型(CGG)的MCLP去混响方法中。
仿真实验结果表明,在相同条件下,两种改进的方法比常规的MCLP去混响方法具有更好的去混响效果。