论文部分内容阅读
提出一种基于非参数贝叶斯理论的语音增强算法，在稀疏表示的框架下，把字典学习、稀疏系数表示和噪声方差估计融合成一个贝叶斯后验估计的过程，并利用Spike-Slab先验加强稀疏性．首先，将带噪语音分解为干净语音、高斯噪声和残余噪声3个子信号，分别对该3种子信号采用不同的先验概率模型表达，接着采用马尔科夫链一蒙特卡洛算法计算出3个模型中每个参数对应的后验概率，最后基于稀疏表示的框架重构出干净语音．实验数据使用NOIZEUS语音库，采用PESQ和SegSNR作为质量评价指标，分别在信噪比为0，5和10 dB的高斯