利用线性预测残差的语音去噪方法

语音信号中经常混有加性噪声,噪声的存在会使语音处理系统的性能急剧下降,因此语音去噪是语音信号处理中的关键技术之一.提出一种利用线性预测残差去除语音中的加性白噪声的方法,实验结果表明,该方法可以有效地去除语音信号中的加性白噪声,并且保持语音信号较好的清晰度和可懂度.     

小波变换在语音去噪中的应用

提出一种新的基于小波变换的语音去噪算法。利用此特性对信号进行小波域波滤,可从加噪的语音中提取人耳所能接受的频率成份,是一种简单有效的语音去噪算法。     

有噪语音的线性预测HMM参数估计方法

本文讨论了混有加性高斯白噪声的语音的线性预测隐Markov模型(HMM)参数估计问题.由Baum等人提出来的重估公式没有考虑噪声的影响,因此,对有噪语音的模型参数估计会产生较大的偏差.本文对该公式提出了一种修正方案,用这种方法估计出的模型参数有效地抑制了噪声的影响,较准确地反映了语音真实时变特征.实验证实了这一结论.     

基于小波变换的语音信号去噪

讨论了离散小波变换在语音去噪中的应用。根据语音中浊音段和清音段的特点，采用了不同的阈值方案，可以保证在失真较小的前提下，获得更好的去噪效果。     

一种改进的小波域语音去噪方法研究

分析了信号和噪声在小波域的不同特征表现，并根据语音中浊音和清音的特点，提出了一种改进的多尺度多阈值的小波域语音去噪方法．该方法采用软限幅函数对浊音和清音信号的小波变换系数作不同的阈值处理，既抑制了噪声，又减少了语音段信息的损失，提高了信噪比．仿真结果表明，这是一种有效的语音增强方法．     

一种改进的谱相减语音增强方法

针对一般的谱相减语音增强算法所带来的“音乐”噪声较为严重的问题,提出了一种改进的谱相减语音增强算法——噪声残差消除谱相减法,实验结果表明,噪声残差消除谱相减法明显地削弱了一般谱相减法所带来的“音乐”噪声。对带噪语音质量的增强效果显著。     

一种改进的语音去噪方法(英文)

为了提高语音信号去噪效果,首先改进了小波包算法,提出了一种基于改进小波包的语音去噪方法.该方法将语音信号进行改进小波包分解,为每个终端结点提供一个阈值进行去噪处理.仿真实验表明,该方法比传统硬、软阈值方法更有效也更优越,能够比较准确地去除语音噪声.     

基于小波变换的语音增强去噪方法

将小波变换应用到语音识别系统中,提出了在语音信号预处理阶段基于小波变换估计的维纳滤波算法,结合小波变换的阈值处理方法对语音信号进行去噪处理,模拟实验表明该方法去噪效果较好.     

一种抑制语音噪声的最佳约束线性估计器

本文提出一种最佳约束线性估计器，用于抑制语音信号不 相关加性噪声。该估计器是在给定信号失真度下，使噪声能量最小为准则来设计对真实语音信号的约束线性估计。文中证明这种最佳的约束线性估计器是一种输入噪声电平地的Ｗｉｅｎｅｒ滤波器。     

基于预测神经元模型的语音线性预测系数求解新方法

采用预测神经元作为语音信号线性预测模型的一种实现形式,可将线性预测系数的求解问题转化为预测神经元的训练问题,并运用BP算法得到了[神经元权值（即线性预测系数）的递推计算公式,考虑到语音信号能量的不确定性,提出了运用相对预测误差能量作为判断的参数,并按清音和浊音中两种情况讨论了收敛判据,由于利用预测神经元的迭代训练算法,理论上可以最大限度地挖掘语音样本中的相关性,因而可得到非常精确的线性预测系数,计算结果表明,运用预测神经元方法所得到的线性预测系数,精度明显高于传统的杜宾算法和格型算法。     

线性预测编码的实时语音通信系统

线性预测编码的实时语音通信系统时龙兴陆生礼李素珍（东南大学国家ＡＳＩＣ工程中心，南京２１００１８）随着无线通信的快速发展，频谱资源更显宝贵．为了更有效地利用有限的频谱资源，迫切需要实时的低速率语音编解码系统．综合目前的语音编码技术现状，选用语音的参数...     

基于FSS与PLP的噪声鲁棒语音识别

提出了一种基于分数阶谱相减(FSS)与感知线性预测(PLP)相结合的噪声鲁棒语音识别方法,记为FSS PLPC.该方法首先通过FSS在分数阶Fourier域对带噪语音进行降噪处理,然后计算增强语音的均方误差和Itakura距离并进行比较,以获得FSS的近似最优分数阶阶数.最后对根据此阶数得到的增强语音提取感知线性预测倒谱(PLPC).实验结果表明,FSS PLPC对于数字语音的识别性能优于传统的谱减法(SS PLPC)和感知线性预测倒谱(PLPC)法,并且随着信噪比的降低FSS PLPC表现出较好的噪声鲁棒性.     

基于线性预测的自适应语音增强技术

提出了一种基于线性预测的自适应语音增强方法。该方法利用带噪语音的线性预测作为自适应滤波器的参考输入，使有色噪声的相关性隐含于参考输入之中，从而大大地提高了语音的信噪比。仿真实验证明．被环境噪声污染了的语音信号经自适应系统处理后，其信噪比提高了32．70dB。     

基于EEMD和ICA的语音去噪方法

语音去噪技术是语音识别系统走向实用化的一个关键性难题.针对语音信号为非平稳信号的特点,提出了一种基于EEMD和ICA相结合的语音去噪方法,首先利用集合经验模态分解(EEMD)算法将含噪语音信号分解为若干个独立的固有模态函数(IMF),消除了经验模态分解(EMD)算法处理语音信号时产生的模态混迭现象;然后将固有模态函数通过改进的独立分量分析(ICA)算法分离出若干个有效的语音信号分量;最后对其进行语音重构,从而达到消除噪声干扰的目的.实验结果表明,该方法在输入信噪比为-10dB的汽车噪声条件下,可以将语音信号的信噪比提高到2.741 2 dB.     

一种噪声环境下的语音识别方法(线性预测误差法)的研究

介绍一种平稳噪声环境下语音识别的新的方法。该方法利用噪声的LPC系数去预测语音信号,从而得到LPC预测序列,然后把它代替原语音序列来进行语音端点的检测、语音特征的提取和在合适的匹配方式下的识别。实验结果表明：该法在噪声环境下自动检测语音端点和提取语音信号的特征是可行的,获得了很满意的识别率。     

基于单边自相关线性预测噪声中汉语语音识别

对含噪语音在自相关域上进行处理,以其自相关函数值为参数进行端点检测,以基于单边自相关序列的LPC倒谱系数作为语音的特征参数进行语音识别,实验表明：这种方法较好地消除了噪声对语音信号的干扰,并获得了较高的识别率。在信号的信噪比低而自相关性又强时,此法能体现出不同一般的优势,为实际应用提供了可能。     

码激励线性预测快速算法

对语音编码的两大类即波形编码和参量编码的优缺点进行了分析,重点对码激励线性预测进行了研究.首先提出了感觉加权滤波器的等效变换方法,然后提出了一种码本部分重叠分割法,计算机模拟实验证明,采用上述方法,可以得到很好的合成音质,并使运算速度显著提高。