随机共振在强噪声环境中语音增强应用

　　1　引言

　　语音增强的主要目标就是从含噪语音中提取尽可能纯净的原始语音,去除语音通信过程中引入的噪声以及通信设备内部的电噪声以及其他讲话者的干扰,从而改善语音质量,提高语音可懂度。

　　目前常用的语音增强算法有基于时域的卡尔曼滤波法、梳状滤波器法[1]等,有基于频域的频谱相减法[2],维纳滤波法[3]等,它们是通过对噪声特征进行分析,针对噪声特征进行最大化的消除,将噪声作为信号有害的干扰源,然而随着噪声信号不断增强,尤其在强噪声环境中,传统的语音增强变得及其困难。

　　Benzi等在1981年提出随机共振[4],用以解释古气象学中冰川期与暖气候期周期性交替出现的现象。随机共振研究方向是非线性随机问题,它可以通过调节噪声强度使噪声中的语音弱信号产生共振得到增强,改变了传统上去除噪声从而增强语音信号的理念,目前广泛的应用于弱故障、弱缺陷或其它弱特征信号的检测和估计中[5] [6]。

　　当语音信号含有噪声干扰时,可以利用随机共振原理进行分析语音信号,进行语音增强的研究。本文基于多阈值非周期随机共振原理,提出一种通过自适应调节,添加最佳噪声的方法,使语音信号在阈值最优随机共振,从而到达含噪语音信号增强。

　　2　非周期随机共振

　　随机共振的研究一般限于弱信号(阈下信号),在一定程度上有效地解决弱故障、弱缺陷或其它弱特征信号的检测问题,因为在弱信号的监测中,阈上信号一般是被认为噪声的存在是不利于系统对输入信号的响应。而在Stocks提出的阈上随机共振[7],先前对H-H(Hodgkin-Huxley)神经元模型非周期信号响应研究表明H-H神经元模型,存在阈下非周期随机共振现象,但引入噪声可以增强神经元对非周期输入信号的响应,而且在一个合适的噪声强度上,神经元输出互信息率达到了最大值,这时就产生了阈上非周期随机共振现象。

　　由于H-H神经元模型本质上是二阶模型,经对H-H神经元模型的二阶简化模型阈值特性的相平面分析,表明该二阶简化模型等价于阈值单元模型,其阈值跨越可以选定多阈值。而语音信号处于[-1, 1]区间内,信号更多是以非周期信号的形式出现。由此本文提出,利用H-H神经元模型阈上非周期随机共振的原理,提出多阈值阈上随机共振,来实现对强噪声语音增强。

　　3　基于非周期随机共振语音增强算法基本原理及算法步骤

　　3.1　评价方法

　　验证本文所提自适应随机共振语音增强算法的有效性,分别求得增强前后语音的信噪比(SNR)并对增强前后的语音进行听觉实验。评价指标(SNR)的定义如下: