1、毕业论文自适应噪声对消在语音信号处理中的应用研究 本科生毕业论文（设计） 中文题目 自适应噪声对消在语音信号处理中的应用研究 英文题目Adaptive noise cancellation in speech signal processing research 摘 要 在实际生活中，任何语音信号都不可避免的受到噪声信号的影响，如何有效的抑制和去除噪声，提高语音的可懂度是近年来的热门研究课题，文中介绍了自适应滤波器的基本原理，结构和应用，应用matlab软件，对自适应算法在噪声对消中的应用进行了仿真研究，并完成了语音信号噪声消除实例。本文对自适应滤波算法在语音信号去噪方面进行了研究，对自适应对
2、消系统进行了深入的学习与研究，在固定步长的基础上，建立了步长因子u与信噪比及噪声幅度之间的一种非线性函数关系，使步长随误差信号e(n)的变化而变化，从而提高了收敛速度，能够有效的滤除实际生活中语音信号中的高斯白噪声，工频干扰，以及其他讲话者的干扰，大幅度提高输出语音信号的信噪比，有效的提高语音的可懂度。通过实验证明，该算法在收敛速度，消噪性能，信噪比提高方面与常规的自适应算法相比均有一定的提高。关键词：自适应滤波 变步长 LMS算法 语音降噪Adaptive noise cancellation in speech signal processing research Abstract:In
3、our daily life ，all speech signal will be influenced by noise, How to effectively eliminate the noise is one of hot subjects for years. The paper begins with the principle of adaptive filter,structure and application. Based on the MATLAB platform, simulation is carried out for the applications of ad
4、aptive algorithms in noise cancelling，and completed the instance of voice signal noise reduction.This paper discuss about adaptive filtering algorithm in the speech signal denoising aspects of the research on the adaptive cancellation system in-depth study and research and establishes another step f
5、actor u and the error signal e (n) between the non-linear function of a new relationship, the algorithm using variable step size, the step with the magnitude of the noise signal to noise ratio and the change, to improve the convergence rate, can effectively filter out in real life speech signal Gaus
6、sian white noise, frequency interference, and interference with other speakers. Can greatly enhance the output speech signal to noise ratio, experiments show that the algorithm convergence rate, noise reduction performance, improving signal to noise ratio with the conventional adaptive algorithms ha
7、ve improved to some extent compared. In this paper, the coefficient of the formula fitting analysis, and find the optimal solution, the effect of noise correlation coefficient has done some analysis shows that the main channel of the input noise and the noise reference channel correlation coefficien
8、t higher learning , filter the better.Key words: Adaptive Filtering; variable step size ; LMS algorithm ; Speech Enhancement 目 录1 绪论 21.1自适应噪声抵消技术研究背景.21.2语音降噪的发展及研究现状31.3 本文的主要研究内容42 自适应噪声对消原理概述 .62.1自适应噪声抵消器原理.72.2 LMS自适应噪声抵消算法 .82.3 LMS算法特点分析 .102.4评价算法性能的指标132.5 本章小结 153自适应噪声对消的模拟与仿真 .163.1自适应噪声
9、对消模型的建立及算法仿真 .163.2 一种变步长LMS算法的提出与仿真223.3 本章小结 274 语音信号消噪实例.284.1信噪比的计算284.2语音消噪实验 294.3 实验结果分析 324.4本章小结 .33总结与展望34参考文献.351 绪论1.1自适应噪声抵消技术研究背景在日常生活中，人们经常受到各种噪声的干扰。例如在有线电话，无线通信中人们的语音常常会参杂来自外界的干扰噪声（主要含高斯白噪声，工频干扰，和其他讲话者干扰），这些干扰使接收者接收到的语音为受噪声污染的带噪语音信号。有的噪声的幅度基本等同于原信号，甚至将原始信号淹没，严重影响了人与人之间的通信质量，语音增强的一个主要
10、目标是从带噪语音信号中提取尽可能纯净的原始语音。尤其是在重大科研项目和生产中，没有一个优质的语音信号作保证，将会带来无可估量的损失。并且长期在有噪声的环境中工作，将危害人的听力、思维、生理和心理。在嘈杂的环境下工作，人们很容易疲乏、反应迟钝、工作效率降低，并且容易心情烦躁，在噪声的刺激下，人们的注意力不容易集中，工作容易出错，影响工作速度和工作质量，并且很容易产生错误的判断、进行错误的操作，降低了生产效率。在生活中噪声的存在也很大程度上影响了人们的休息和放松，降低了生活质量。在如今这个人们不断追求工作效率、生活质量的年代里，如何有效地消除和抑制噪声已成为人们研究的一个热门课题。自适应噪声抵消系
11、统（Adaptive Noise Cancellation, ANC）作为在噪声背景下通信的一种主要语音增强方法，把信号中的噪声和语音信号进行有效的分离，降低或抑制环境噪声的影响，有效的提高了语音的清晰度。自1967年提出自适应滤波概念以来，因其计算量小，易于实现等优点，发展极为迅速。应用自适应噪声抵消技术，可在未知外界干扰源特征、传递途径不断变化、背景噪声和被测对象信号相似的情况下，有效地消除外界噪声的干扰，提高信号传输中的信噪比。自适应噪声抵消技术和其他语音增强方法相比，突出之处就是该方法不基于任何信号模型和信号的统计特性无特殊要求，故其应用相当广泛。目前应用于通信，语音信号处理，图像处理
12、，模式识别，系统辨识及自动控制等领域。这一技术可为动态信号在测试环境不太理想的工作现场作测试分析和故障诊断提供了有效的方法和依据，具有一定的理论和应用价值。鉴于自适应噪声抵消的一系列特点，本文针对语音信号中存在高斯白噪声，工频干扰，以及其他讲话者干扰等问题，基于自适应抵消进行语音信号噪声消除研究。1.2 语音降噪的发展及研究现状国内降噪技术始于50年代，主要采用模拟器件搭建相应的滤波电路来解决问题。但由于模拟电路自身的局限性，当信噪比小到一定程度的时候，这种滤波电路不能很好的解决噪声消除的问题。90年代后期主要采用动态降噪技术，这种方法是根据语音电平的幅度动态调整输出信号幅度，且对不同的噪声电
13、平进行自动的抑制。从而提高信噪比，达到降噪的目的，但这种方法要求输入信号有一定的信噪比，在高强噪音的情况下，会出现轻音丢字的问题。国外的消噪技术起步早，起点高，目前以美国和欧盟为代表，出现了一批实用的产品，代表了国际上的先进技术。下面对相关公司及主要产品进行简介如下: 俄罗斯的STC(Speech Technology Center)公司主打产品是软件sound cleaner，专业数字滤波仪器ANF(Automatic Noise Filter)STCH)实时处理的处理板(Denoiser DSPBoard)STCH209。TI公司是一家以DSP芯片为主要产品的公司，其主打产品是TMS系列的
14、DSP，其中有几款专用于通讯终端的芯片，比如TMS320C54CST。CST即Clientside Telephony，其内部集成了一些常用的客户端算法，包括回声抵消，编解码程序，语音激活检测，舒适噪音插入，自动增益调节等。随着DSP的发展，语音降噪算法上的提高，噪音消除技术的核心逐渐演变为算法的问题，算法的优劣及适用范围直接决定了实用化的程度。自适应技术是降噪技术的一个重要方法，其突出的优点在于不基于任何语音模型，语音特征损失小，消噪效果明显，所以被广泛应用。其传统算法是基于时域LMS算法和频域LMS算法。近年来，信号处理领域的新理论、新技术不断涌现，为噪音消除提供了更多的数字算法，如小波变
15、化方法，高阶统计量方法，神经网络方法和时频分析方法等。上述方法可在不同情况下，不同程度地改善信噪比，但有一定的局限性。神经网络消除法存在着结构复杂、用于语音处理时的实时跟踪能力较差等不足；高阶谱法只对高斯噪声(有些高阶谱只对对称分布噪声)消除有效；小波变换也是针对高斯噪声提供了一种较好的方法，但计算复杂。综述上述国内外研究现状，本课题基于自适应噪声对消技术对强噪声背景下的语音降噪问题进行研究和探讨。1.3本文的主要研究内容本课题试图以当今语音技术中最流行的自适应抵消法作为基本的增强手段，应用于工频干扰、其他讲话者干扰和白噪声的自适应噪声消除。主要研究内容包括以下几个方面：1.绪论，介绍课题的背
16、景和意义，以及语音降噪技术的国内外发展现状，对本文的主要内容进行了介绍。2. 主要对自适应噪声对消原理进行概述，详细地介绍了自适应对消器的原理，自适应LMS噪声抵消算法，以及LMS算法的特点及性能分析，这对自适应语音降噪提供了理论基础。3. 介绍了自适应对消系统在MATLAB上的模拟与仿真，根据实际情况建立了三种模型，并用定步长自适应LMS算法对三种模型进行了仿真，研究了滤波效果与步长大小的关系。提出一种变步长算法，并对此算法进行模拟仿真，与定步长做比较，得出变步长滤波性能得到了大大提高。4. 重点介绍了语音信号滤噪实例，并具体分析了在实际情况中遇到的问题并加以解决。实例中采集一段来自实际的语
17、音信号，并加入干扰，最后进行性能分析。5. 进行最后的总结，并对自适应发展做了展望。2 自适应噪声对消原理概述自适应噪声抵消(Adaptive Noise Cancellation)是一种效果相当好的语音增强技术。它比其它方法多使用了一个辅助通道(auxiliary channel reference channel)来获得参考噪声，出主通道(primary channel)采集到的是带噪语音，通过自适应滤波的方法从中把主通道带噪信号的嗓声抵消掉。由于可以比较准确和全面地获得噪声信息所以自适应噪声抵消能达到更好的降噪效果，特别是在参考噪声与带噪语音中的噪声完全相关的情况下，理论上自适应噪声抵消
18、能彻底去除噪音成分。自适应噪声抵消的目标是实现一种具有最佳线性滤波特性的滤波器，最大程度恢复语音信号，最大程度的抑制噪声。所谓最佳线性滤波器是指能够按某一最佳准则进行滤波的滤波器。假定输入信号和噪声相加，两者均为广义平稳过程而且已知它们的二阶统计特性，那么根据最佳均方误差(MMSE，minimum mean Squared error)可用维纳滤波器来满足上述要求：但是使用维那滤波需要满足两个条件； (1)输入过程是广义平稳的；(2)输入过程的统计特性是已知的。根据其它最佳准则的滤波也有同样的要求。但是对于语音增强来说，语音和噪声都是随机的和非平稳的，而且它们的统计特性也是未知的和变化的所以，
19、不能采用固定参数的维纳滤波器解决上述问题，必须使用自适应滤波。基于自适应滤波器(adaptive filter)一词最早由Jakowatz等人于20世纪60年代初提出，用来描述一个从噪音中提取出现的时刻随机的信号系统。自适应滤波器的特点是输入过程的统计特性是未知的或变化时，能够通过调节自身的传输特性(或者说滤波器参数)来达到最佳滤波器目的。2.1 自适应噪声抵消器原理带自适应滤波器的噪声抵消器的工作原理实质上是以均方误差或方差最小为准则,对噪声n1进行最优估计,然后从含噪语音中减去 n1 ,达到降噪、提高信噪比、增强语音的目的。en1图2.1 带自适应噪声抵消器系统原理图如上图（2.1）所示，
20、给出了自适应滤波器消除噪声的基本思想和方法，图中有两个通道主通道和参考通道。主通道接收到信号s和不相关噪声n0，（s+n0）形成对消器的原输入，参考通道接收到一个与信号不相关的，而与噪声n0相关的噪声n1被滤波器产生一个输出y，他尽可能的去翻版n0。该输出从原始输入s+n0中减去，产生系统的输出为： e = s + n0 - y (2.1)均方误差亦即输出的均方值：= = + + 2 E s ( n0 - y) (2. 2)因为 s 和 n0 , n1 无关,所以 s 和 n0 , y 无关,则：E s ( n0 - y) = 0 (2.3) 这样,式(2.2 就成为=+ (2.4)自适应滤波
21、器要调整其加权矢量 W,使最小,因 s不在自适应滤波器通道内,所以这种最小化可表示为min= + min (2.5) 从而自适应滤波器调整的结果,将使 y在均方误差最小的意义下,最接近主通道噪声分量 n ,因而使系统输出中的噪声大为降低。再由式(2.1) 有e-s=n0y (2.6) 所以min= min (2.7)上式说明,在最小均方误差意义下, y 最接近 n0 ,等效于 e (系统输出) ,最接近 s。所以在噪声抵消系统的输出端大大地提高了信号噪声比, 而且并未造成大的信号失真。由于自适应滤波器在未知或时变系统中的明显优势，它在众多领域得到广泛应用。2.2 LMS自适应噪声抵消算法 最陡
22、下降算法不需要知道误差特性曲面的先验知识，其算法就能收敛到最佳维纳解，且与起始条件无关。但是最陡下降算法的主要限制是它需要准确测得每次迭代的梯度矢量，这妨碍了它的应用。为了减少计算复杂度和缩短自适应收敛时间，许多学者对这方面的新算法进行研究。1960年，美国斯坦福大学的Windrow等提出了最小均方（LMS）算法，这是一种用瞬时值估计梯度的矢量方法。按照自适应滤波系数矢量的变化与梯度矢量估计的方向之间的关系， LMS 算法是以最快下降法为原则的迭代算法，即 W (n + 1)矢量是 W ( n )矢量按均方误差性能平面的负斜率大小调节相应一个增量， （2.8） 这个u 是由系统稳定性和迭代运算
23、收敛速度来决定的自适应步长,为n次迭代梯度，对于LMS算法，是的斜率，即： (2.9) 由式（2.2.1）产生了求解最佳权系数W*的两种方法，一种是最陡梯度法。其思路为，设初始权系数W（0），用式（2.8）迭代公式计算，直到W(n+1)与W(n)误差小于规定范围。其中的E计算，可用估计表达式： (2.10) 适中的K的取值应该足够大。如果用瞬时-2e(n)x(n)来代替上式对-2Ee(n)x(n)的估计运算，就产生了另一种算法随机梯度法，即Windrow Hoff的LMS算法。此时迭代公式为 W(n+1)=W(n)+2ue(n)x(n) (2.11) 其中 是步长因子。 为了分析方便，对式(1
24、1)进行如下变换。将式代入可得w (n + 1)=w(n)+2x (n)d(n)x(n)w(n) (2.12) 本论文后面讨论的自适应算法都是基于 Widrow Hoff 的 LMS 算法。式(2.11) 的迭代公式，假定滤波器结构为横向结构。对于对称横向型结构，也可推出类似的迭代公式 W (n + 1) = W ( n) + 2 ue (n) x (n) + x( n- N+ 1) (2.13)其中，x( n )为 x( n ), x( n -1 ), ., x (n N/2 + 1)T，而 x( n -N+ 1)为 x( n -N + 1), x( n -N / 2), . , x (n
25、N/2)T。 综上便构成了 LMS 的实现算法。LMS 算法的两个优点是：实现起来简单；不依赖模型（model-independent），因此具有稳健的性能。表 2.2列出了 LMS 算法的初始参数满足条件及运算过程。表2.2 LMS 算法的初始参数及运算过程参量初始条件 运算M=滤波器抽头数步长因子 W(0)=0或由先验知识确定对n-1,2,.(1) 得x(n),d(n)(2) 滤波y(n)= x(n)(3) 误差估计e(n)=d(n)-y(n)(4) 更新权系数W(n+1)=w(n)+2x(n)e(n)2.3 LMS算法特点分析LMS 算法是一种随机优化方法，对其进行了深入的研究，主要有以
26、下三点结论：（1）LMS 算法是最速下降法的近似，它利用估计的梯度进行调整。因为梯度是函数的局部性质，从局部看在一点附近下降得快，但从总体上来看可能走许多弯路，只有当权矢量坐标位于性能表面的主轴上时，梯度的负方向才指向最小点。因此一般情况下，权向量改变的方向不一定在指向最小值的方向上。由于最速下降并非对整体而言，所以其收敛速度较慢。（2）为保证 LMS 算法的稳定收敛，步长因子 应满足： 0 2/ trR (2.14) 这样当迭代次数n趋于无穷大时，权矢量 w ( n )的期望值将逼近最优解(维纳解) 值越大，算法收敛越快，但稳态误差也越大； 值越小，算法收敛越慢，但稳态误差也越小。失调与步长
27、因子 成正比；相反地，平均时间常数 却与步长因子 成反比。因此，如果减小步长因子 ，则失调将减小，但是收敛时间将有所增加，反之亦然（3）LMS 算法收敛速度受控于特征值的分布范围。自相关阵 R 的特征值分布范围越大，LMS 算法收敛的越慢；反之，R 的特征值分布范围越小，LMS 算法。收敛得越快。在极端情况下，当输入信号是白噪声时，自相关阵 R 的所有特征值均相同，这时 LMS 算法收敛速度最快。如果输入是语音信号，而语音信号又恰恰具有较大的特征值的分布范围，从而导致收敛速度会显著地减慢。（4）失调直接与抽头输入向量成正比，当输入较大时，LMS 滤波器遇到梯度噪声放大问题，而输入较小时算法收敛
28、速度较慢。将输入信号按照自身的平均能量进行归化处理，就得到了归一化 LMS 算法，也称 NLMS 算法，可以消除梯度噪声放大问题。LMS 算法的主要缺点是收敛速度慢，如何加快其收敛速度一直是研究的热点，一般可以从以下三个方面入手。（1）对步长因子 选用合适的控制方法步长因子 决定着算法的收敛速度和达到稳态时失调量的大小。对于设定为常数的 来说，收敛速度和失调量是一对矛盾。要想得到较快的收敛速度，可选用大的调整步长，这就导致大的失调量；如果要满足失调量的要求，则收敛速度将受到制约。变步长的方法可以克服这一矛盾。自适应过程开始时，采用较大的步长以保证快的收敛速度，然后步长逐渐减小，以保证稳态时可以
29、得到较小的失调量。（2）改善梯度估值如 LMS/Newton 算法，它在估计梯度后又利用了输入矢量相关函数的估值，使得在每个迭代周期权矢量的改变总是在指向性能表面最小点的方向上。由于其在迭代过程中采用了更多的有关输入信号矢量的信息，其收敛速度比典型的 LMS算法相比有显著的提高。（3）降低输入信号的相关性从上面对 LMS 算法的分析结果可知，LMS 算法的收敛速度受输入信号特征值分布的影响，因此可以考虑通过对输入信号进行白化处理来提高收敛速度。这方面的算法主要有：1)变换域算法。变换域算法的思想是将信号经过某种变换(一般是正交变换)分解为一系列近似不相关的各个分量。很显然，变换域 LMS 算法
30、的收敛性与变换核函数有关。K-L 变换是理论上最佳的，但是计算量太大，在一定条件下，DCT、DST、FFT 是 K-L 变换的良好近似，同时也因为这些变换存在快速算法，因而获得较广泛的应用。2) 预滤波白化算法。将原始输入信号和目标信号分别通过相同的白化滤波器，将滤波结果再作为输入信号和目标信号进行自适应。2.4 评价算法性能的指标（1）失调失调定义为自适应过程中超量均方误差和最小均方误差比。超量均方误差：如果假设自适应暂态过程已消失，均方误差已接近最小值，则可近似为： 失调定义为:（2）平均时间常数(收敛时间)LMS 算法的平均时间常数为:，其中为抽头输入的相关矩阵 R 的平均特征值。则可近似定义失调为：其中 M 为滤波器阶数。可得如下结论：1)对于固定的，失调随着滤波器长度 M 线性增加。2)失调正比于步长，平均时间常数反比于步长。（3）均方误差自适应算法的均方误差的过渡过程又称学习曲线。由于LMS算法的加权矢量的平均值的变化规律与最陡下降法的加权矢量一样,通过证明
