【语音去噪系统设计与测试案例分析6400字】

语音去噪系统设计与测试案例分析目录TOC\o"1-3"\h\u13354语音去噪系统设计与测试案例分析 [20]。维纳滤波用到均方误差最小的原理来进行。最佳滤波器的实现就是目标函数对系数的倒数变为0的时候，即：（3-8）其中的Rxd是期望信号和输入信号的矩阵，Rxx表示的是输入信号的自相关矩阵。所以就得出了：（3-9）最后便得到了维纳滤波的公式推导和基本原理。（2）滤波器设计过程通过先验信噪比跟踪判决导向方法设计一个wiener函数，来实现一种基于先验信噪比跟踪的维纳滤波器。在这个方法中假设snrpost=snrprior+1。在此基础上，维纳滤波器可以适用于类似于ephraims模型的模型，该模型的增益函数是先验信噪比的函数，先验信噪比采用判决定向方法进行跟踪。functionoutput=Wiener6(signal,fs,IS)if(nargin<3|isstruct(IS))IS=.25;%窗口长度0.25秒endW=fix(.025*fs);SP=0.4;%位移百分比为40%(10ms)%使用这个值重叠添加情况良好wnd=hamming(W);通过调用segment函数把信号分割成帧；切割信号到重叠窗口段A=SEGMENT(X,W,SP,WIN)返回一个矩阵，输入一维信号的窗口帧x，w是每个窗口的采样数的，默认值w=256。Sp是移位百分比，默认值sp=0.4。Win是每个段的窗口，它的长度应该是w，默认窗口是hamming窗口。functionSeg=segment(signal,W,SP,Window)ifnargin<3SP=.4;endifnargin<2W=256;endifnargin<4Window=hamming(W);endWindow=Window(:);%使它成为列矢量L=length(signal);SP=fix(W.*SP);N=fix((L-W)/SP+1);%numberofsegments%段数Index=(repmat(1:W,N,1)+repmat((0:(N-1))'*SP,1,W))';hw=repmat(Window,1,N);Seg=signal(Index).*hw;调用mean函数求出初始噪声功率谱平均值和初始噪声功率谱方差；运用分贝定向法估计先验信噪比。N=mean(Y(:,1:NIS)')';%初始噪声功率谱平均值LambdaD=mean((Y(:,1:NIS)').^2)';%初始噪声功率谱方差alpha=.99;NoiseCounter=0;NoiseLength=9;G=ones(size(N));Gamma=G;接着调用OverlapAdd函数重构语音信号，调用语句如下：y=overlapadd(x，a，w，s);其中y是来自其声谱图的信号重构信号。x是一个矩阵，每列是一段信号的傅里叶变换。a是频谱的相位角，它应该与x具有相同的维度，如果在实际值为0的情况下它不是给定x的相位角。w是时间域段的窗口长度，如果不给定该长度假定为t窗口长度的两倍。s是分割过程的移位长度，在非重叠信号的情况下，它等于w，在p重叠的情况下，它等于w/2。如果没有使用w/2。Y是重建的时域信号。functionReconstructedSignal=OverlapAdd2(XNEW,yphase,windowLen,ShiftLen);ifnargin<2yphase=angle(XNEW);endifnargin<3windowLen=size(XNEW,1)*2;endifnargin<4ShiftLen=windowLen/2;end最后调用vad函数，它的作用是从一段纯净或带噪语音信号中标识出语音片段与非语音片段。[NoiseFlag,SpeechFlag,NoiseCounter,Dist]=vad(signal,noise,NoiseCounter,NoiseMargin,Hangover);signal是当前帧幅度谱，它被标记为噪声或语音；noise是噪声幅度谱模板；NoiseCounter中等噪声帧的数目；NoiseMargin表示噪声声纳的谱距阈值。Hangover是噪音片段的数量；如果NoiseFlag为1则表示这个片段被标记为噪音；NoiseCounter返回以前的噪声段数，每当检测到一个语音段时，该值重置为零。Dist表示光谱距离。具体实现如下：function[NoiseFlag,SpeechFlag,NoiseCounter,Dist]=vad(signal,noise,NoiseCounter,NoiseMargin,Hangover)ifnargin<4NoiseMargin=3;endifnargin<5Hangover=8;endifnargin<3NoiseCounter=0;endFreqResol=length(signal);SpectralDist=20*(log10(signal)-log10(noise));SpectralDist(find(SpectralDist<0))=0;Dist=mean(SpectralDist);if(Dist<NoiseMargin)NoiseFlag=1;NoiseCounter=NoiseCounter+1;elseNoiseFlag=0;NoiseCounter=0;end运用以上几个函数，就可以实现维纳滤波器的设计。将前文所提到的洗衣机噪声滤波，滤波前后波形对比：图3-9维纳滤波器滤波前后波形对比图从波形图的对比和语音回放中我们可以清楚发现，维纳滤波器滤除噪声信号的效果十分显著。从时域波形图可以看出，其滤出后的人声波形含噪最少，与纯人声的波形最为接近，虽然除噪后的人声频率降低了不少，声音也有些微发闷，但人声最为清晰，噪音最小。可以看出设计的维纳滤波器对此类噪声滤波效果显著，因此接下去继续选用维纳滤波器进行测试分析，并进行更进一步的优化完善。3.3语音信号的输出将语音信号通过保存成声音文件输出。将声音保存成wav格式的音频文件，储存在计算机中，并通过matlab调用sound函数来播放。调用形式为：sound（y,fs）。也可以通过传输线连接到麦克风直接播放对其进行输出。

系统测试与分析4.1洗衣机噪声去噪对比测试前面通过设计了一款维纳滤波器并进行波形分析发现除噪效果良好，接下来再进行更进一步的测试与完善。首先将它对洗衣机噪声滤波前后时域波形图和频谱图与纯人声频谱进行对比：图4-1维纳滤波器滤波前后波形对比图图4-2维纳滤波后和纯人声频谱对比图可以显著发现人声波形被较为清晰滤出，噪声信号被滤除，波形清晰完整。虽然滤波后声音的频率幅值下降了不少，但是其滤出的频率清晰，不杂糅，波形平稳，高频与低频部分呈现的频谱分别与纯人声频谱呈现的高频和低频部分相似，频谱波形十分接近。通过听滤波后的人声我们也可以发现，声音虽然有些低沉发闷，但基本滤除了噪音，保留了纯人声，声音失真也不明显，效果较好。4.2实地工厂噪声去噪对比测试为了保证测试的严谨性，本设计采集了多种机器噪声，其中还引入了真实工厂环境下的测试比对结果，该工厂采集的含有多种机器轰鸣声，此测试有较强的的应用性与实践性，测试结果较为准确。工厂含人声噪音滤波前后波形对比图：图4-3工厂含人声噪音滤波前后波形对比图工厂含人声噪音滤波前后频谱对比图：图4-4工厂含人声噪音滤波前后频谱对比图对比波形和频谱可以很直观发现，效果依然十分明显，噪音被滤除的较为干净，留下的人声波形清晰完整，与纯人声波形十分接近。虽然频谱幅值下降了，但含噪率也大大下降。通过输出的声音回放，可以清楚感受到几乎没有噪声，但是依然存在人声发闷的问题，有待后期继续改善。由此可见设计的维纳滤波器在实地工厂应用时，除噪效果十分显著，维纳滤波器对于有规律的机器噪音去除实现上有较强的可行性。4.3工厂环境下多人声去噪对比测试为了进一步模拟在工厂环境下除噪效果，考虑到真实工厂环境下不同人之间的语音频率有高有低，本设计采集了多人对话在真实工厂环境下的测试比对结果，选取样本中的人声频率不同，对滤波器的要求做了更进一步的提高。此测试有较强的的应用性与实践性，能很好模拟工厂中语音对话场景。工厂多人声噪音滤波前后波形对比图：图4-5工厂多人声噪音滤波前后波形对比图工厂多人声噪音滤波前后频谱对比图：图4-6工厂多人声噪音滤波前后频谱对比图对比波形频谱可以很直观发现，效果仍然良好，噪音被滤除的较为干净，留下的人声波形清楚完整，能清晰看出人声频段，通过输出的声音回放，可以听到滤出的不同人声，但是依然存在人声发闷的问题，且由于频率不同，滤出的人声失真率也不同，有待后期继续改善。由此可见设计的维纳滤波器在实地工厂多人对话场景的应用中除噪效果良好。可见其在此场景中较强的的应用性与普适性。4.4改变滤波器参数对比测试通过改变设计的维纳滤波器中的参数，来测试改变滤波参数对测试结果的影响。这里通过改变设计的wiener函数中表示不同时段的语音频段的IS值来测试。将IS值设为1.5时测试结果波形频谱如下：图4-7维纳滤波器IS为1.5时滤波前后波形频谱对比图将IS值设为0.5时测试结果波形频谱如下：图4-8维纳滤波器IS为0.5时滤波前后波形频谱对比图将IS值设为1.0时测试结果波形频谱如下：图4-9维纳滤波器IS为1.0时滤波前后波形频谱对比图对比可以发现在不同参数参数下，维纳滤波