結(jié)合EEMD與K-SVD的語音增強(qiáng)算法的研究.pdf

1、語音是人類進(jìn)行傳遞信息最重要、最常用的方式之一，針對(duì)語音信號(hào)處理相關(guān)的研究極為廣泛，如：語音增強(qiáng)、語音編碼、語音識(shí)別及語音合成等。研究人員一般使用相對(duì)純凈的語音信號(hào)進(jìn)行研究，但實(shí)際應(yīng)用中采集到的語音信號(hào)往往會(huì)被環(huán)境噪聲干擾，這些噪聲的存在會(huì)降低語音信號(hào)的質(zhì)量及可懂度，嚴(yán)重影響語音信號(hào)處理系統(tǒng)的性能。如何有效地將污染的帶噪語音恢復(fù)為純凈語音，成為了語音增強(qiáng)的目的。本文以語音增強(qiáng)為研究目標(biāo)，結(jié)合K-奇異值分解（K-singular Valu

2、e Decomposition，K-SVD）算法和集總經(jīng)驗(yàn)?zāi)B(tài)分解（Ensemble Empirical Mode Decomposition，EEMD）方法，提出了一種EEMD與K-SVD算法相結(jié)合的語音增強(qiáng)新算法。論文的主要工作與創(chuàng)新點(diǎn)如下：
　　1．提出了一種EEMD與K-SVD算法相結(jié)合的語音增強(qiáng)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(duì)各IM

3、F分量進(jìn)行互相關(guān)和自相關(guān)分析，去除噪聲IMF分量。同時(shí)，將過渡IMF分量再次進(jìn)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(duì)新的帶噪語音利用K-SVD算法在純凈語音訓(xùn)練的過完備字典上進(jìn)行稀疏分解，通過稀疏系數(shù)重構(gòu)出去噪后的語音。主、客觀實(shí)驗(yàn)結(jié)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(xùn)練算法。
　　2．提出了

4、一種雙閾值的稀疏自適應(yīng)匹配追蹤算法（Double Threshold Sparsity Adaptive Matching Pursuit，DTSAMP）。該算法在原算法設(shè)置單一殘差閾值的基礎(chǔ)上，增加了純凈信號(hào)的能量閾值。首先估計(jì)帶噪語音中的噪聲能量，進(jìn)而獲得純凈信號(hào)的能量估計(jì)值，若每一次迭代重建語音信號(hào)的能量超過了純凈信號(hào)能量的1.2倍，則停止迭代，輸出語音。實(shí)驗(yàn)結(jié)果表明，本算法針對(duì)含噪信號(hào)的處理上，較之傳統(tǒng)的正交匹配追蹤（Ortho