基于自适应滤波的一种语音增强算法研究

语音增强的主要目的是从带噪语音信号中提取尽可能纯净的原始语音信号。本文介绍了一种基于自适应滤波器的语音信号增强算法。     

基于自适应滤波的一种语音增强算法研究

语音增强的主要目的是从带噪语音信号中提取尽可能纯净的原始语音信号。本文介绍了一种基于自适应滤波器的语音信号增强算法。     

自适应小波-遗传算法在齿轮箱故障诊断中的应用

自适应滤波能对非线性系统实现辨识、建模、预测和滤波,将其用于解决拖拉机齿轮箱故障诊断中的自适应除噪问题。文章分析了Morlet自适应小波滤波器的滤波原理以及基于自适应算法一遗传算法的自适应滤波寻优过程,将二者结合实现从强噪背景中提取弱故障信号。     

基于麦克风阵列自适应非线性滤波的语音信号端点检测方法

在语音信号端点检测中,传统的检测方法在低信噪比环境下识别率会下降,而对于改进的麦克风阵列自适应线性滤波语音端点检测方式,在麦克风数量较少的情况下,目标检测信号信噪比也较低,识别率并不高。为此,本文提出了一种基于麦克风阵列自适应非线性滤波语音端点检测方法。首先通过自适应Legendre非线性滤波器对麦克风阵列接收到的带噪语音信号进行降噪,然后进行平滑处理,最后设置双门限阈值测出语音端点。仿真实验表明本文所提出的检测方法优于自适应线性滤波语音端点检测方法,此方法使得端点检测的输入语音信噪比大约提高了4d B,相应地,语音信号端点检测准确率提高了大约66%。     

一种基于子波变换的语音增强方法

在分析了随机噪声的子波变换系数在不同尺度上的传递特性和噪声信号奇异性与子波模极大值的关系后,提出了用一尺度间变化的门限阈值来抑制带噪训音信号在不同尺度上噪声子波系数,从而实现了在重构信号中消除噪声的目的。文中还给出了不同信噪比语音信号的子波去噪的计算机仿真结果,从结果上看出,本文的方法有较好的语音去噪、增强效果。     

一种基于非线性特征提取的被动声纳目标识别方法研究

目标噪声特征提取是被动声纳目标识别系统的关键技术。首先提出了一种利用从噪声极限环中提取的非线性特征来分析舰船噪声信号的新方法,然后采用基于自适应遗传BP算法的神经网络对提取的特征进行分类。实验结果表明,该系统具有较好的分类效果。     

基于DSP的抗噪声耳罩

与传统的无源抗噪耳罩不同,基于DSP的有源抗噪声耳罩,利用数字信号处理的优势,以TI公司的TMS320VC5509A为核心处理器,通过最小二乘自适应滤波的消噪算法,将混合声音信号中的噪声消除。软件通过c语言对DSP5509编程,完成音频信号采集时的调理与消噪算法的处理,增强了算法的可移植性与可升级性,整个系统具有高效性实时性,满足抗噪工作需求。     

基于谱减法的一种改进语音增强算法

对语音信号进行处理一个很重要的问题就是噪声的滤除,噪声降低了语音的信噪比和可懂性。多年来,人们针对加性宽带噪声提出了各种语音增强算法,其中谱减法因其具有简单和易于实现的优点而被广泛的采用。但是,一般的谱减法都会带来较为严重的“音乐”噪声,为减弱这种噪声,本文提出了一种改进的语音增强算法——多带谱减法(multi-bandspectrumsubtraction)。实验结果表明,多带谱减法明显的削弱了一般谱减法所带来的音乐噪声,对带噪语音质量的增强效果显著。     

一种基于麦克风阵列的宽带语音增强算法研究

文章介绍了一种常见的固定波束形成技术——Ds波束形成器,针对语音信号特点,结合多通道自适应滤波技术,利用归一化最小均方（NLMS）自适应算法,构造一个麦克风阵列宽带语音信号自适应降噪模型。通过采集真实环境下含噪语音,经过软件仿真验证了算法。试验表明,新模型的算法实现只在时域中进行,计算复杂度小,自适应部分收敛速度快,消噪效果显著。     

基于后置多级维纳滤波器的自适应波束形成方法

在车载系统、电话会议与多媒体会议等语音处理系统中,麦克风接收到的语音信号常常受到环境噪声的干扰,严重影响了通话质量。为了能有效地抑制相干与非相干噪声的干扰,该文将多级维纳滤波器与传统的广义旁瓣抵消器(GSC)相结合,提出了基于后置多级维纳滤波器的自适应波束形成方法。仿真结果表明,相对于传统的麦克风阵列语音增强方法而言,本文介绍的方法具有更好的去噪效果。     

基于改进阈值函数小波语音增强方法的研究

提出了一种基于小波阈值去噪的语音增强算法。根据含噪语音中噪声、清音和浊音的不同特点,首先对它们进行检测区分,然后采用改进的Garrote阈值函数分别对噪声、清音和浊音运用不同的阈值方案进行处理。该方法在很大程度上抑制了噪声,又减少了语音段清音的损失,提高了信噪比,在MATLAB7.1中的仿真实验结果表明,该方法具有较好的增强效果。     

基于模糊神经网络的RTT智能预测算法

在网络拥塞控制的重要参数中,RTT（Roundtriptime）尤为突出,因为它能对网络所发生的拥塞作出较早的反映。所以对RTT的精确预测程度,无论是对网络拥塞控制还是流量、带宽估计都很有意义。分析了RTT的特性,发现其有很强的高频噪声,因而采用低通滤波和MBP网络相结合的RTT预测策略。实验表明,即使在网络状况较忙的情况下,也能获得很好的预测结果。     

基于改进谱减法的语音识别系统去噪

为消除语音识别系统中的噪声干扰,研究了传统谱减法和改进的谱减法,描述了两种算法的原理和特点,并对两种算法进行了编程实现。matlab仿真结果表明,改进的谱减法不仅可以消除噪声,还可以抑制＂音乐噪声＂的产生,比传统谱减法更具优势。     

A new method for fault prediction of model-unknown nonlinear system

In this paper, the subspace identification based robust fault prediction method which combines optimal track control with adaptive neural network compensation is presented for prediction the fault of unknown nonlinear system. At first, the local approximate linear model based on input-output of unknown system is obtained by subspace identification. The optimal track control is adopted for the approximate model with some unknown uncertainties and external disturbances. An adaptive RBF neural network is added to the track control in order to guarantee the robust tracking ability of the observation system. The effect of the system nonlinearity and the error caused by subspace modeling can be overcome by adaptive tuning of the weights of the RBF neural network online without any requisition of constraint or matching conditions. The stability of the designed closed-loop system is thus proved. A density function estimation method based on state forecasting is then used to judge the fault. The proposed method is applied to fault prediction of model-unknown fighter F-8II of China airforce and the simulation results show that the proposed method can not only predict the fault, but has strong robustness against uncertainties and external disturbances.     

子空间法在动态源盲信号处理中的应用

通常的盲源分离算法都不具备对未知信号源个数估计的能力,而很多场合,源信号的个数是未知的甚至可能是动态变化的。子空间法的应用实现了源信号数目未知和动态变化的超定盲信号分离中源信号数目的在线跟踪估计。子空间法是将观测到的传感器信号划分为信号子空间和噪声子空间,这样做不仅能很大限度的降低噪声水平,还可以根据特征值大小来估计源信号数目。利用赤迟信息准则(AIC准则)和最小描述长度(MDL信息论准则)实现了动态源问题中阈值的在线调整。     

基于小波变换的语音增强算法

结合小波技术对传统的维纳滤波算法进行改进,对语音信号进行离散小波变换,求得小波系数,计算小波系数的阈值,然后利用阈值对小波系数进行过滤,再对小波重构信号,信号经过维纳滤波器模型达到去噪效果。最后对算法进行了仿真试验。     

用改进的BP网络预测油气

人工神经网络在地球物理领域中，尤其在模式识别和油气预测方面得到了较好的应用．前向网络的重要特性是能够总结、归纳已知样本隐含的函数关系．然而其推广性能有待进一步研究．本文强调了该问题的重要性并提出了改善网络推广性能的技术，即在网络学习过程中，不仅让总误差下降，还尽可能使建立的“隐函数”平滑．计算实例表明，本文的算法可以明显地改善网络的推广性能．最后给出了用该技术在辽河油田进行油气预测的实例     

Learning soft mask with DNN and DNN-SVM for multi-speaker DOA estimation using an acoustic vector sensor

Using an acoustic vector sensor (AVS), an efficient method has been presented recently for direction of arrival (DOA) estimation of multiple speech sources via the clustering of the inter-sensor data ratio (AVS-ISDR). Through extensive experiments on simulated and recorded data, we observed that the performance of the AVS-DOA method is largely dependent on the reliable extraction of the target speech dominated time–frequency points (TD-TFPs) which, however, may be degraded with the increase in the level of additive noise and room reverberation in the background. In this paper, inspired by the great success of deep learning in speech recognition, we design two new soft mask learners, namely deep neural network (DNN) and DNN cascaded with a support vector machine (DNN-SVM), for multi-source DOA estimation, where a novel feature, namely, the tandem local spectrogram block (TLSB) is used as the input to the system. Using our proposed soft mask learners, the TD-TFPs can be accurately extracted under different noisy and reverberant conditions. Additionally, the generated soft masks can be used to calculate the weighted centers of the ISDR-clusters for better DOA estimation as compared to the original center used in our previously proposed AVS-ISDR. Extensive experiments on simulated and recorded data have been presented to show the improved performance of our proposed methods over two baseline AVS-DOA methods in presence of noise and reverberation.