基于语音特性的自适应压缩感知

《基于语音特性的自适应压缩感知》由会员上传分享，免费在线阅读，更多相关内容在行业资料-天天文库。

1、基于语音特性的自适应压缩感知刘智威，吴晓欢，朱卫平（南京邮电大学信号处理与传输研究院南京210003）摘要：利用语音在DCT域的稀疏性，提出了一种基于语音分为清音浊音的特点，自适应分配观测点数的语音重构方法。首先根据清浊音在整个语音段占有的能量比分配观测点，然后判断每帧语音性质，如果是清音，则根据能零比的大小来分配该帧的观测点数，如果是浊音，则根据能量的大小来分配观测点数。实验表明：语音信号是稀疏的并且可压缩，在同种压缩比下，本文所采用的语音重构算法具有较好的信噪比，误差以及MOS分。关键字：压缩感知；语音重构；稀疏性；OMP；自

2、适应中图分类号：TN912.3AdaptiveCompressedsensingBasedonFeaturesofSpeechZhiweiLiu,XiaohuanWu,WeipingZhu（InstituteofSignalProcessingandTransmission,NanjingUniversityofPostsandTelecommunications,Nanjing210003,China）Abstract:UtilizingthesparsityofthespeechsignalsintheDCTdomain,th

3、ispaperproposesaadaptivenumberofmeasurementspeechrecoverymethodbasedoncompressedsensing.First,accordingtotheenergyratioofvoicedspeechandunvoicedspeechtodistributethenumberofmeasurement.Thenenframethespeechsegment,iftheframeisaunvoicedspeech,thenumbersofmeasurementcanb

4、eallocatedaccordingtoitszerosandenergyrate.iftheframeisvoicedspeech,thenumbersofmeasurementcanbeallocatedaccordingtoitsenergy.Theexperimentresultsshowsthattheperformanceofspeechsignalbasedonthemethodaboveissuperiortoutilizecompresssensingdirectly.Keywords:compressedse

5、nsing;speechrecovery;sparsity;OMP;adaptive0.引言基金项目：国家自然科学基金（60972041),江苏省普通高校研究生科研创新计划(CXZZ11_0397)资助项目通信作者：刘智威电话：13584016002e-mail:networld2007@126.com传统信号的获取和处理过程主要包括采样，压缩，传输，解压等四个步骤，采样过程必须满足奈奎斯特采样定理（NyquistSamplingtheorem）。压缩过程，先对信号进行变换，然后对绝对值相对较大的系数进行编码传输，舍弃接近零的系数

6、。可以看到，在压缩过程中，舍弃了大部分采样的数据。Candes从理论上证明可以从部分傅里叶变换系数精确重构原始信号，为压缩感知理论奠定了基础。压缩感知(CompressedSensing，CS)[1]-[3]理论表明，可以在不丢失逼近原信号所需信息的情况下，用最少的观测数来采样信号，实现信号的降维处理，即直接对信号进行较少采样得到信号的压缩表示，从而在节约采样和传输成本的情况下，达到了在采样的同时进行压缩的目的，突破的Nyquist采样定理的局限性。当信号具有稀疏性或可压缩性时，通过采集少量的信号投影值就可实现信号的准确或近似重构

7、。CS问世以来，在信息论与编码、信号恢复、有损压缩、机器学习、传感器网络等很多领域得到了广泛的研究，在图像信号处理也有广泛的应用。例如图像处理中，由于多数场合高频分量相对低频分量而言很小，图像信号时频系数可看作是稀疏的，利用CS技术来采集图像可以大大降低数码率。目前针对语音信号的CS研究还不多，本文针对语音信号的特点，提出了自适应分配每帧观测点数的方法来对语音信号进行重构，并且与直接CS重构的信号进行了对比。1.压缩感知理论基础1.1信号的稀疏表示信号是属于空间的任意一个列向量,是属于的一组正交基，表示为，则信号X可以表示为：(1

8、)令，表示非零元素的个数，K很小表示信号X在正交基下是稀疏的，我们称X是K-稀疏的。此时，可以用一个与不相干的矩阵（M*N,M<