论文部分内容阅读
在实际环境中，语音常常会受到来自外界环境中的噪声的干扰，从而使语音听觉质量下降。特别是在强背景噪声情况下，语音有可能被完全淹没在噪声之中，而无法分辨。语音降噪一直是信号分析与处理中的一个重要分支，其主要目标是从带噪语音信号中提取出尽可能纯净的原始语音。多年来，人们己经研究出了许多语音降噪方法。大多数方法在信噪比较高时，能够较好地衰减带噪语音中的噪声，但是在低信噪比情况下的降噪性能不佳。
独立分量分析（Independent ComponentAnalysis，ICA）是近年来发展起来的一种新的信号分离技术，该方法的基本思路是以非高斯信号为研究对象，在独立性假设的前提下，从多路观测信号中将原信号分离出来。在满足一定的条件下，能够从多路观测信号中，较好地分离出隐含的独立源信号。ICA的出现与发展，为语音降噪方法的研究提供了新的思路。
本文针对实际环境中的带噪语音，以ICA方法为基础。首先建立线性瞬时混合和线性卷积混合系统模型，根据ICA理论推导了一种时域独立分量分析算法，即FICA算法，并通过计算机仿真实验验证了此算法的有效性。为了将独立分量分析方法应用于实际环境中的语音与噪声的混合，提出了在更接近实际混和情况的线性卷积混合模型下的语音与噪声信号分离的独立分量分析实现方法：将时域信号进行傅里叶变换转换为频域信号，然后再采用频域FICA算法对混合信号进行分离，从而将实际带噪语音中的噪声与语音信号分离开来。通过仿真实验验证了该方法对实际环境中的带噪语音具有较好的分离效果。文中还提出了几种单通道情况下的ICA实现方法。最后在DSP上对语音降噪系统进行了设计。
独立分量分析（Independent ComponentAnalysis，ICA）是近年来发展起来的一种新的信号分离技术，该方法的基本思路是以非高斯信号为研究对象，在独立性假设的前提下，从多路观测信号中将原信号分离出来。在满足一定的条件下，能够从多路观测信号中，较好地分离出隐含的独立源信号。ICA的出现与发展，为语音降噪方法的研究提供了新的思路。
本文针对实际环境中的带噪语音，以ICA方法为基础。首先建立线性瞬时混合和线性卷积混合系统模型，根据ICA理论推导了一种时域独立分量分析算法，即FICA算法，并通过计算机仿真实验验证了此算法的有效性。为了将独立分量分析方法应用于实际环境中的语音与噪声的混合，提出了在更接近实际混和情况的线性卷积混合模型下的语音与噪声信号分离的独立分量分析实现方法：将时域信号进行傅里叶变换转换为频域信号，然后再采用频域FICA算法对混合信号进行分离，从而将实际带噪语音中的噪声与语音信号分离开来。通过仿真实验验证了该方法对实际环境中的带噪语音具有较好的分离效果。文中还提出了几种单通道情况下的ICA实现方法。最后在DSP上对语音降噪系统进行了设计。