《有色噪聲下基於噪聲約束最小均方估計的語音增強算法》是依託福州大學，由夏又生擔任項目負責人的面上項目。
基本介紹
- 中文名：有色噪聲下基於噪聲約束最小均方估計的語音增強算法
- 依託單位：福州大學
- 項目類別：面上項目
- 項目負責人：夏又生
項目摘要,結題摘要,
項目摘要
語音增強是數字語音處理領域的重要內容，有色噪聲環境下語音增強又是國內外研究熱點和挑戰課題。本項目擬通過揭示參數估計的重要性，解決有色噪聲語音增強的關鍵問題。針對有色噪聲語音生成模型的線性回歸方程，提出一種噪聲約束的最小均方估計方法，在理論與計算效果上證實噪聲約束最小均方估計具有魯棒性並比傳統的最小均方估計具有較小均方誤差；基於噪聲約束的最小均方估計方法，提出有色噪聲語音生成模型係數的快速估計算法並分析算法的收斂速度；基於語音生成模型係數的估計，提出有色噪聲協方差矩陣的估計算法並分析算法的收斂性；研究卡爾曼濾波增益函式，建立數值穩定的卡爾曼濾波遞推算法，提出有色噪聲環境下基於噪聲約束最小均方估計的語音增強算法；提高有色噪聲環境下語音增強恢復效果，推動語音增強技術在理論及套用上進一步發展。
結題摘要
有色噪聲環境下語音增強是數位訊號領域的重要內容，有著廣泛的實際套用。有色噪聲下語音生成模型是自回歸（AR）模型, 所以AR模型參數估計是有色噪聲下語音增強研究的關鍵之一。解決有色噪聲協方差矩陣的估計困難是有色噪聲下語音增強研究的關鍵之二。 現有處理有色噪聲的語音增強算法有較高的複雜度，建立快速且低複雜度的算法是有色噪聲下語音增強研究的關鍵之三。圍繞關鍵內容,課題組從算法與理論上展開了語音增強研究，取得5個重要結果：(1) 聯合卡爾曼濾波和AR模型參數快速學習技術，提出了基於噪聲約束最小均方估計的單通道語音增強算法. 理論與實驗結果證實所提出的算法具有魯棒性和全局收斂性. (2) 首次提出了無偏AR模型參數估計的新方法和一種基於噪聲補償最小均方估計的快速算法. 計算結果證實所提出的算法比現有參數估計算法有明顯的估計精度優勢. (3) 建立了估計有色噪聲協方差矩陣的新方法，提出了基於AR參數矩陣估計的子空間語音增強算法. 有色噪聲下實驗結果證實所提出的算法比現有單通道語音增強算法有語音恢復效果佳的優勢。(4) 提出了譜幅度平方的最大後驗估計方法和最小均方估計方法, 建立了兩種低算復法雜度的分散式多通道語音增強算法. 在有色噪聲下實驗結果證實所提出的算法比現有分散式多通道語音增強算法有速度快和恢復效果佳的優勢。（5）聯合子空間濾波器和維納濾波器，提出了一種基於適應凸組合濾波器的語音增強算法。該算法有效地減少語音失真和噪聲影響。在有色噪聲下實驗結果證實所提出的算法比現有的多通道語音增強算法，具有語音恢復效果佳的優勢。另外，還獲得如下相關的重要結果：（6）減少噪聲和語音失真的最優濾波器是復變數約束二次最佳化問題的解。為此，提出了一種求解復變數約束非線性最佳化問題的學習算法並首次建立了全局收斂性理論。（7）分散式多通道語音增強模型本質上是盲數據融合模型。基於約束最小均方新估計，提出一種盲數據融合的快速學習算法。（8）在噪聲和混響環境下，語音模型本質上屬自回歸移動平均（ARMA）模型。理論證實一種ARMA模型參數新估計算法具有全局最優特徵，解決了非凸問題。（9）為了有效處理非高斯噪聲，提出了一種解一般線性約束L1最佳化問題的快速學習算法, 在無任何條件下理論證明所提出的學習算法是全局收斂。（10）研發了基於語音增強新技術的兩個實際套用：助聽器和語音識別。
