详情

原文传递基于盲源分离的车载语音增强算法研究

论文题名：	基于盲源分离的车载语音增强算法研究
关键词：	车载语音增强;盲源分离;独立分量分析;语音质量评价;语音识别
摘要：	语音作为一种方便、快捷、有效的交流方式，在人们的日常生活中扮演着非常重要的角色。随着社会科技的不断进步及其人工智能的迅猛发展，语音信号也逐渐成为人-机交互的一种重要方式，其较传统的人-机交互方式更加的便捷、高效和安全，故被广泛应用于工业控制、医疗辅助、安防保障、智能家居等诸多方面。然而在实际的应用场景中语音信号不可避免的会受到周围环境噪声的干扰，进而影响语音质量，导致其无法完成正常的人-机交互功能。因此语音增强作为一个能够有效抑制噪声分量，提高语音质量的方法，具有重要的研究意义和应用价值。　　针对车载环境这一特定的应用场景，噪声信号具有低频分布、先验知识不易获得、与语音信号混合情况复杂等特点，造成了许多语音增强算法并不能很好的适用于车载环境。因此本文在分析车载噪声和车载声学场景的基础上，建立噪声信号和语音信号的卷积混合模型，研究盲源分离(Blind Source Separation，BSS)技术在车载环境下进行语音增强的有效性和可行性，以提高车载环境下带噪语音信号的质量和可懂度。本文具体开展了以下的工作: 　　(1)车载声学场景分析建模和噪声估计算法研究。根据车载环境所固有的特点，分析车载噪声的来源及其和驾驶员语音信号在车内的传播路径，建立噪声信号和语音信号在车内的卷积混合模型。由于多数语音增强算法都需要噪声的估计值作为消噪的先验知识，因此噪声估计的准确性将直接影响这些语音增强算法的性能。本文在归纳总结一些常用的语音处理理论基础上，对现有常用的噪声估计算法进行了研究，包括语音端点检测噪声估计算法和最小值控制递归平均噪声估计算法。　　(2)语音质量评价和语音增强算法研究。文章归纳总结了一些常用的语音信号质量主客观评价标准，并分析了这些评价标准的优缺点。同时针对真实环境下客观评价标准缺少参考源这一问题，本文构建了一个基于隐马尔科夫模型(Hidden Markov Model，HMM)的小词汇量语音识别引擎，并将语音识别率纳入了无参考源语音质量的评价体系中。对于语音增强算法的研究，文章首先实验性分析了谱减法和维纳滤波法这两个经典的语音增强算法，并给出了它们对车载带噪语音信号的消噪结果;其次针对一些传统语音增强算法的不足，本文提出了一个改进的小波阈值函数语音增强算法，该算法可有效抑制宽带噪声和提高语音质量;最后文章阐述了独立分量分析(Independent Component Analysis，ICA)的基本理论框架和实现原理，并重点研究了利用基于负熵的复值ICA在频域盲解卷积，实现语音增强的过程。该ICA语音增强过程不仅可以较好的契合卷积混合模型，而且可以很好的弥补现有语音增强算法在车载环境中应用的不足。　　(3)基于卷积ICA的车载语音增强算法研究。文章根据语音信号和车载噪声信号的卷积混合特性以及它们在频域的非高斯分布特性，提出利用基于负熵极大的卷积ICA对车载带噪语音信号进行语音增强，并对该增强过程进行针对性的优化。文章在仿真环境，室内环境，真实车载环境三种声学场景下构建了车载带噪语音信号语料库，并采用基于负熵的卷积ICA进行语音消噪。实验结果表明，该卷积ICA消噪后语音信号的识别率较车载带噪语音信号分别最高提高了18.33％，30％，27.5％，展现出该卷积ICA在车载声学场景中应用的有效性和鲁棒性。最后本文针对频域盲解卷积ICA的语音消噪效果受语音信号分帧长度和帧移大小影响的问题进行了实验性研究和阐述。　　(4)复杂环境下语音增强系统的研究和实现。本文在所研究的噪声估计算法和语音增强算法基础上，选择部分算法结合语音媒体控制逻辑，在Windows平台下利用C++实现了一套复杂环境下的语音增强系统。该系统具有语音波形显示，频谱显示，选择性语音增强、语音播放保存等功能。测试结果表明，该系统不但具有较好的语音增强性能，同时获得了较强的可靠性和鲁棒性。
作者：	刘凤山
专业：	计算机应用技术
导师：	吴小培
授予学位：	硕士
授予学位单位：	安徽大学
学位年度：	2017
正文语种：	中文