论文部分内容阅读
实际环境中的语音信号经常受到其它信号或者噪声的污染，降低人或机器对语音的感知和识别的效能。因此，语音增强作为语音信号处理的一种特殊功能，成为国际上研究的热点。该文以信号处理的状态空间模型理论为基础，结合序贯蒙特卡罗方法，开展单通道语音增强算法的研究，主要创新贡献如下：
(1)在TVAR(Time-varyingAutoregresive)模型的基础上，分别采用了KPF(KalmanParticleFilter)、UKF(UnscentedKalmanFilter)、UPF(UnscentedParticleFilter)三种序贯蒙特卡罗滤波器，从含噪语音信号中估计语音分量，实验表明，KPF、UKF、UPF三种滤波器在增强语音方面有着一定的作用，优于卡尔曼滤波，并且UPF滤波器的滤波性能高于KPF和UKF滤波器；
(2)在非平稳噪声环境下，提出基于时变双AR模型的序贯蒙特卡罗语音增强算法，将后验概率p(纯净语音信号｜含噪语音信号)的计算分解成卡尔曼滤波和序贯蒙特卡罗统计两个处理过程，大大降低计算复杂度。测试表明，该文方法不仅有效降低运算复杂度，而且处理之后的语音质量也得到明显改善；
(3)语音清浊音状态空间模型的TVAR模型，对语音清浊音进行区别处理，同时在对后验概率p(纯净语音信号｜含噪语音信号)简化，计算中引入了遗忘因子，更加有效进行序贯蒙特卡罗语音增强。数值模拟表明，基于语音清浊音状态空间模型的增强算法处理后的信噪比，比基于LPC模型的普通卡尔曼滤波算法提高2～3dB。