基于小波变换的语音增强方法的.研究

《基于小波变换的语音增强方法的.研究》由会员上传分享，免费在线阅读，更多相关内容在教育资源-天天文库。

1、独创性声明本人声明所呈交的学位论文是本人在导师指导下进行的研究工作及取得的研究成果。尽我所知，除了文中特别加以标注和致谢的地方外，论文中不包含其他人已经发表或撰写过的研究成果，也不包含本人为获得江南大学或其它教育机构的学位或证书而使用过的材料。与我一同工作的同志对本研究所做的任何贡献均已在论文中作了明确的说明并表示谢意。签名：乏孽五Et其／I：y7年F月％^日关于论文使用授权的说明本学位论文作者完全了解江南大学有关保留、使用学位论文的规定：江南大学有权保留并向国家有关部门或机构送交论文的复印件和磁盘，允许论文被查阅和借阅，

2、可以将学位论文的全部或部分内容编入有关数据库进行检索，可以采用影印、缩印或扫描等复制手段保存、汇编学位论文，并且本人电子文档的内容和纸质论文的内容相一致。保密的学位论文在解密后也遵守此规定。签名：导师签名：翘日期：莎w7年vJ弼'Et第一章绪论1．1引言随着通信技术的发展，语音通信已成为人们日常生活，工作中不可缺少的一部分。近年来数字通信迅速发展，国家信息部的统计数据显示，语音通信仍是现阶段的主流，占据通信行业主导地位。然而在语音通信过程中，不可避免地会受到来自周围环境噪声、传输媒介引入的噪声、通信设备内部的噪声、乃至其他

3、讲话者的干扰。这些干扰将使接收者收到的语音不再是纯净的原始语音，而是被噪声污染过的带噪语音。如：安装在汽车、飞机或舰船上的电话，街道、机场的公用电话，常受到很强的背景噪声的干扰，严重影响通话质量。语音增强的目的就是从被污染的语音信号中，提取尽可能纯净的语音信号，改善语音质量，使听者不觉得疲劳，并提高语音的可懂度【l】。语音增强在语音识别方面也有极其重要的应用。近年来，语音识别技术获得突破性进展，它作为人机交互的一种自然而便捷的方式，越来越受到人们的重视，目前正在步入实用阶段，国内中科院声学所、清华大学等，国外的微软、IBM

4、和MOTOROLA公司等也都在从事这方面的研究，移动式语音识别系统市场巨大．但是目前的语音识别系统大多都工作在安静的环境下，背景噪声的引入会严重影响识别系统的性能f2】。正是因为实际环境中不可避免会出现噪声，大大妨碍了语音识别技术在实际生活中的应用。另外，在低速率语音编码，特别参数编码中，噪声的存在会严重影响模型参数的提取，使得重建语音的质量急剧恶化，甚至交得完全不可懂。因此，尽可能地从带噪语音中去除噪声，实现语音增强，是目前信号处理领域的一个关键技术之一。1．2基于小波变换的语音增强算法国内外研究现状语音增强这个研究课题

5、在60年代就引起人们的注意，随着数字信号处理理论的成熟，70年代取得了一些基础性成果，并使语音增强发展成为语音信号处理领域的一个重要分支。80年代至90年代初这十几年间，各种语音增强方法不断涌现，进而奠定了语音增强理论的基础并使之逐渐走向成熟。语音增强算法的研究始于20世纪70年代中期。随着数字信号处理理论的成熟，语音增强发展成为语音信号处理领域的一个重要分支，1978年，Lim和Oppenheim提出了语音增强的维纳滤波方法【3】【4J；1979年，Boll提出了谱相减去噪方法15】；1980年Mcaulay和Malpa

6、ss提出了软判决噪声抑制方法刚：1984年，Ephraim和Malah提出基于MMSE短时谱幅度估计的语音增强方法【7】；1987年Pahwal把卡尔曼滤波引入到语音增强领域嗍。目前基于小波变换的增强算法pn】，基于神经网络的增强方法02]03】，采用信号子空问的增强方法【14】f15】，基于人耳听觉掩蔽效应的方法【I6J【"】是语音增强领域的研究热点。垩塑查兰堡圭兰丝堡苎小波分析作为一种新兴理论已经在科学技术界掀起了一场轩然大波。在数学家们看来，小波分析是一个新的数学分支，它是泛函分析、Fourier分析、样条分析、调和

7、分析、数值分析的最完美结晶：在应用领域，特别是在信号处理、图像处理、语音分析以及众多非线性科学领域，它被认为是继Fourier分析之后又一有效的时频分析方法。运用小波分析进行信号增强处理是小波分析的重要应用之一。1992年，Mallat[IoⅡis]等人提出了基于信号奇异性(Singularity)的信号和图像多尺度边缘表示法，利用Lipschitz指数[191在多尺度上对信号和图像及噪声的数学特性进行描述，并提出模极大值重构信号增强方法；霄itkin㈣首先提出了利用尺度空间相关性来对信号增强的思想，对含噪信号经过子带分解

8、后，从粗尺度到细尺度逐步搜索信号的主要边缘，最终从噪声背景中得到真实信号，在此基础上，1994年，XuYansun[¨1提出了一种基于信号尺度间相关性的空域相关信号增强算法(SpatiallySelectiveNoiseFiltration，SSNF)；斯坦福大学的D．L．Dohono和I．也Johns