结合EEMD与K-SVD的语音增强算法的研究

发布时间：2017-06-07 15:13

  本文关键词：结合EEMD与K-SVD的语音增强算法的研究，由笔耕文化传播整理发布。

【摘要】：语音是人类进行传递信息最重要、最常用的方式之一,针对语音信号处理相关的研究极为广泛,如:语音增强、语音编码、语音识别及语音合成等。研究人员一般使用相对纯净的语音信号进行研究,但实际应用中采集到的语音信号往往会被环境噪声干扰,这些噪声的存在会降低语音信号的质量及可懂度,严重影响语音信号处理系统的性能。如何有效地将污染的带噪语音恢复为纯净语音,成为了语音增强的目的。本文以语音增强为研究目标,结合K-奇异值分解(K-singular Value Decomposition,K-SVD)算法和集总经验模态分解(Ensemble Empirical Mode Decomposition,EEMD)方法,提出了一种EEMD与K-SVD算法相结合的语音增强新算法。论文的主要工作与创新点如下:1.提出了一种EEMD与K-SVD算法相结合的语音增强算法。该算法首先将带噪语音通过EEMD分解得到各本征模式分量(Intrinsic Mode Function,IMF),对各IMF分量进行互相关和自相关分析,去除噪声IMF分量。同时,将过渡IMF分量再次进行EEMD分解,去除其中的噪声成分。然后将去除噪声的过渡IMF分量和剩余的IMF分量叠加得到新的带噪语音。对新的带噪语音利用K-SVD算法在纯净语音训练的过完备字典上进行稀疏分解,通过稀疏系数重构出去噪后的语音。主、客观实验结果表明,本算法能够较好地去除噪声,在低信噪比情况下,去噪效果明显优于谱减法、小波阈值去噪和K-SVD字典训练算法。2.提出了一种双阈值的稀疏自适应匹配追踪算法(Double Threshold Sparsity Adaptive Matching Pursuit,DTSAMP)。该算法在原算法设置单一残差阈值的基础上,增加了纯净信号的能量阈值。首先估计带噪语音中的噪声能量,进而获得纯净信号的能量估计值,若每一次迭代重建语音信号的能量超过了纯净信号能量的1.2倍,则停止迭代,输出语音。实验结果表明,本算法针对含噪信号的处理上,较之传统的正交匹配追踪(Orthogonal Matching Pursuit,OMP)算法及SAMP算法,有效减少了含噪信号中的噪声成分的恢复,提高了原始带噪语音的信噪比。同时,也明显减少了迭代次数,运行速度提高了2倍以上。
【关键词】：语音增强 压缩感知 EEMD KSVD SAMP
【学位授予单位】：西北师范大学
【学位级别】：硕士
【学位授予年份】：2015
【分类号】：TN912.35
【目录】：

• 摘要4-5
• Abstract5-9
• 第1章 绪论9-12
• 1.1 研究背景及意义9-10
• 1.2 语音增强的发展历史及现状10-11
• 1.3 论文结构安排11
• 1.4 本章小结11-12
• 第2章 传统语音增强算法概述12-22
• 2.1 语音增强的基本概念12-14
• 2.1.1 噪声12-14
• 2.1.2 人耳对语音的听觉特性14
• 2.2 传统语音增强算法概述14-21
• 2.2.1 谱减法14-17
• 2.2.2 维纳滤波法17-18
• 2.2.3 小波变换方法18-21
• 2.3 本章小结21-22
• 第3章 集总经验模态分解理论22-25
• 3.1 经验模态分解理论22-23
• 3.2 EEMD分解方法23-24
• 3.3 本章小结24-25
• 第4章 压缩感知理论25-32
• 4.1 压缩感知基本理论25-27
• 4.1.1 理论背景25-26
• 4.1.2 理论概述26-27
• 4.2 压缩感知理论基本内容27-31
• 4.3 本章小结31-32
• 第5章 EEMD与K-SVD结合的语音增强算法32-43
• 5.1 算法提出的背景32
• 5.2 算法的基本框架32-33
• 5.3 基于EEMD算法的预降噪33-35
• 5.3.1 EEMD分解33-34
• 5.3.2 相关性分析34-35
• 5.3.3 过渡模态分量的处理35
• 5.4 基于K-SVD字典训练算法的语音增强35-38
• 5.4.1 过完备字典的构造35-37
• 5.4.2 语音信号的过完备稀疏表示37
• 5.4.3 语音信号的重建37-38
• 5.5 实验结果与分析38-42
• 5.6 本章小结42-43
• 第6章 重构算法的改进43-48
• 6.1 传统SAMP算法概述43
• 6.2 DTSAMP算法43-45
• 6.3 实验结果与分析45-47
• 6.4 本章小结47-48
• 第7章 语音质量评价体系48-56
• 7.1 语音质量评价48-52
• 7.1.1 客观评价方法49-50
• 7.1.2 主观评价方法50-52
• 7.2 语音质量评价52-55
• 7.2.1 客观评价52-54
• 7.2.2 主观评价54-55
• 7.3 本章小结55-56
• 第8章 总结与展望56-58
• 8.1 论文工作总结56
• 8.2 工作展望56-58
• 参考文献58-61
• 攻读学位期间的研究成果61-62
• 致谢62

【相似文献】

中国期刊全文数据库 前10条

1 胡光锐,虞晓;基于二阶前向结构和信息最大理论的语音增强算法[J];上海交通大学学报;2000年07期

2 姚峰英,张敏;用于语音增强的高频信噪比度量[J];声学学报;2002年05期

3 彭煊,刘金福,王炳锡;基于独立分量分析的语音增强[J];信号处理;2002年05期

4 王金明,张雄伟;一种基于自适应模糊滤波的语音增强方法[J];解放军理工大学学报(自然科学版);2003年01期

5 杨汇军,郑海英,王立红;语音增强方法的研究[J];辽宁工学院学报;2003年05期

6 徐爽,韩芳芳,郑德忠;基于阈值的小波域语音增强新算法[J];传感技术学报;2004年01期

7 孙新德;一种改进的语音增强方法及实现[J];郑州航空工业管理学院学报(社会科学版);2005年04期

8 钱国青;赵鹤鸣;;基于改进谱减算法的语音增强新方法[J];计算机工程与应用;2005年35期

9 王晶,傅丰林,张运伟;语音增强算法综述[J];声学与电子工程;2005年01期

10 杨毅;杨宇;余达太;;语音增强及其消噪能力研究[J];微电子学与计算机;2006年07期

中国重要会议论文全文数据库 前10条

1 陈凯;俞蒙槐;胡上序;付强;;语音增强系统性能评测方法综述[A];第四届全国人机语音通讯学术会议论文集[C];1996年

2 王建波;林本浩;田春明;刘睿;;语音增强及其相关技术研究[A];2009通信理论与技术新发展——第十四届全国青年通信学术会议论文集[C];2009年

3 徐舒;孙洪;;基于融合迭代的语音增强方法[A];第十四届全国信号处理学术年会(CCSP-2009)论文集[C];2009年

4 牛刚;任新智;吴国庆;;谐波能量汇集度在语音增强中的应用[A];第六届全国信息获取与处理学术会议论文集（2）[C];2008年

5 国雁萌;;一种极低信噪比条件下的语音增强方法[A];第六届全国人机语音通讯学术会议论文集[C];2001年

6 江峰;李晓东;;适用于抑制非平稳背景噪声的语音增强算法[A];中国声学学会2003年青年学术会议[CYCA'03]论文集[C];2003年

7 阎兆立;杜利民;;维纳后滤波语音增强算法研究[A];中国声学学会2005年青年学术会议[CYCA'05]论文集[C];2005年

8 刘淑华;胡强;覃团发;万海斌;;语音增强算法的研究[A];2005通信理论与技术新进展——第十届全国青年通信学术会议论文集[C];2005年

9 魏臻;张景达;陆阳;;嵌入式系统中语音增强改进算法的研究[A];2007'中国仪器仪表与测控技术交流大会论文集（一）[C];2007年

10 杨威明;;基于阈值的小波变换语音增强方法[A];2007北京地区高校研究生学术交流会通信与信息技术会议论文集（上册）[C];2008年

中国博士学位论文全文数据库 前10条

1 欧世峰;变换域语音增强算法的研究[D];吉林大学;2008年

2 尹伟;基于模型的语音增强方法及质量评估研究[D];武汉大学;2009年

3 王海艳;基于统计模型的语音增强算法研究[D];吉林大学;2011年

4 方瑜;语音增强相关问题研究[D];北京邮电大学;2012年

5 姚峰英;语音增强系统的研究与实现[D];中国科学院上海冶金研究所;2001年

6 夏丙寅;面向移动通信的单通道语音增强方法研究[D];北京工业大学;2014年

7 徐勇;基于深层神经网络的语音增强方法研究[D];中国科学技术大学;2015年

8 陶智;低信噪比环境下语音增强的研究[D];苏州大学;2011年

9 王娜;基于小波变换与约束方差噪声谱估计的语音增强算法研究[D];燕山大学;2011年

10 赵彦平;基于稀疏表示的语音增强方法研究[D];吉林大学;2014年

中国硕士学位论文全文数据库 前10条

1 肖佩霖;双通道语音增强系统设计与实现[D];哈尔滨工业大学;2011年

2 魏有权;基于噪声估计的语音增强算法研究[D];昆明理工大学;2015年

3 郭栗;特定人语音增强算法的研究[D];上海交通大学;2015年

4 纪志春;基于字典学习的语音增强算法研究[D];大连海事大学;2016年

5 尹波;基于麦克风小阵列的语音增强算法的研究[D];湖北工业大学;2016年

6 张建伟;基于噪声谱估计和信噪比约束的语音增强研究[D];安徽大学;2016年

7 魏泉水;基于深度神经网络的语音增强算法研究[D];南京大学;2016年

8 王鹏宇;压缩感知技术在语音增强和EEG信号中的应用研究[D];福州大学;2014年

9 魏清泉;有色噪声下语音增强算法及应用研究[D];福州大学;2014年

10 黄剑文;多通道语音增强算法及应用研究[D];福州大学;2014年

  本文关键词：结合EEMD与K-SVD的语音增强算法的研究，由笔耕文化传播整理发布。

，

本文编号：429454