高噪聲環(huán)境下基于自適應濾波語(yǔ)音降噪技術(shù)的研究

0 引 言

在實(shí)際環(huán)境中，語(yǔ)音信號在聲電轉換時(shí)不可避免地要受到周?chē)h(huán)境的影響，高背景噪聲會(huì )嚴重地影響語(yǔ)音信號質(zhì)量。語(yǔ)音通信系統中的一個(gè)重要工作就是從帶噪語(yǔ)音信號中提取純凈的原始語(yǔ)音、抑制背景噪聲。各種語(yǔ)音降噪算法正處于廣泛的研究中。

其中，利用自適應濾波技術(shù)進(jìn)行語(yǔ)音降噪是一種效果較好的方法。自適應濾波能在輸入信號與噪聲的統計特性未知或變化的情況下，自動(dòng)估計出所需的統計特性，并以此為依據自動(dòng)調整濾波參數，以達到最佳的濾波效果。

傳統的自適應噪聲抵消法多采用雙聲道(多聲道)系統，以得到一個(gè)或多個(gè)參考噪聲作為輔助輸入，這勢必造成系統結構復雜等一系列問(wèn)題。所以本文選取原始輸入的延時(shí)信號作為參考噪聲輸入的單聲道系統，構建基于線(xiàn)性預測的自適應語(yǔ)音濾波器，并對LMS算法作出改進(jìn)，被噪聲污染的語(yǔ)音信號通過(guò)該濾波器濾波，噪聲得到有效抑制，顯著(zhù)提高了信噪比。

1 原 理

基于線(xiàn)性預測的FIR自適應語(yǔ)音濾波器的系統結構形式如圖1所示。

在自適應語(yǔ)音濾波器的計算中，本文采用LMS算法，μ的選取參考文獻[4]中介紹的計算公式，即：

μ=1／(10×L×Px)

式中：L為線(xiàn)性預測階數，即自適應FIR濾波器的長(cháng)度；Px為輸入信號功率。

μ計算公式的穩定性保險系數比較大，而且自適應語(yǔ)音濾波器又主要工作在強干擾噪聲狀態(tài)下，可直接選取Px為環(huán)境噪聲的平均功率。

該系統是利用了信號的相關(guān)性和噪聲的不相關(guān)性，使原始信號中的相關(guān)部分得到加強，而不相關(guān)部分得到削弱，從而提取出有用的信號，所以信號的相關(guān)性和噪聲的不相關(guān)性對于信噪比的提高影響很大。延遲時(shí)間不同則信噪比的改善程度也不相同，這是因為信號在不同時(shí)刻的相關(guān)性不同，t時(shí)刻的信號s0和t+τ時(shí)刻的信號s1相關(guān)性越強，則信號越容易從噪聲中提取出來(lái)。

以采樣周期T對語(yǔ)音波形進(jìn)行采樣，得到語(yǔ)音信號5(k)(k=0，1，2，…)。當前時(shí)刻的樣本值s(k)與鄰近的L個(gè)過(guò)去時(shí)刻的樣本值s(k-1)，s(k-2)，…，s(k-L)相關(guān)，即s(k)可由s(k-i)(i=1，2，…，L)的線(xiàn)性組合近似表示為：

通常情況下，語(yǔ)音信號sk被加性的環(huán)境寬帶噪聲nk污染，實(shí)際采樣得到的信號xk可以表示為xk=sk+nk。雖然語(yǔ)音信號受到寬帶噪聲的影響，但在一定程度上，實(shí)際信號仍然保存著(zhù)語(yǔ)音信號所存在的相關(guān)性，只是由于噪聲干擾，使得相關(guān)性有所減弱。因此，采用作為sk線(xiàn)性預測的近似值。

系數權向量Ak通過(guò)均方誤差性能函數測度法調節，使得：

為最小。由于寬帶噪聲與語(yǔ)音信號不相關(guān)，且寬帶噪聲在不同時(shí)刻的自相關(guān)系數也非常小。

因此：

從上式可以看出，ε(Ak)是一個(gè)Ak的二次性能函數，必然存在全局最佳點(diǎn)。當Ak=Akopt時(shí)，ε(Ak)達到最小，則也達到最小，因此，最逼近Sk值。

一般梯度估值的自適應算法要從統計樣本中進(jìn)行估計。實(shí)時(shí)情況難以實(shí)現梯度估值計算。LMS算法是直接利用單次采樣數據|εk| 2來(lái)代替期望值E[|εk|2]的簡(jiǎn)化方法來(lái)進(jìn)行梯度估值計算。

2 算法改進(jìn)

LMS算法的計算復雜度主要來(lái)自于在進(jìn)行系數更新時(shí)執行的乘法運算，以及對自適應濾波器輸出的計算。在需要自適應濾波器高速工作的應用中，如語(yǔ)音降噪，使硬件的復雜度最小是很重要的。同時(shí)，噪聲種類(lèi)的多樣性導致語(yǔ)音降噪的復雜性，這對算法的收斂性也提出了更高的要求。

為了簡(jiǎn)化LMS算法并加速算法的收斂性以達到更好的降噪效果，結合基于線(xiàn)性預測的FIR自適應濾波器的特點(diǎn)，本文對LMS算法作出改進(jìn)：

式中：sgn[·]為符號函數，參數α和β是2的冪，是用來(lái)修正系數向量的，當α>1，增大系數向量的調整；當α1，則減小系數向量的調整；β的作用同α，如何選擇要視輸入信號信噪比情況而定。選擇合適的α和β有助于改善算法的收斂特性。系數向量的初始化要盡可能接近或者在濾波器正常工作時(shí)的系數變化范圍之內，這有助于自適應濾波器的性能穩定，縮短收斂時(shí)間。由于參數α和β是2的冪，則系數的更新可以利用簡(jiǎn)單的乘法來(lái)實(shí)現，基本上是由比特移位和相加運算組成的，降低了LMS算法的計算復雜度。

算法的程序流程圖如圖2所示。

3 仿真及結果分析

為驗證基于線(xiàn)性預測的自適應語(yǔ)音濾波器的有效性和改進(jìn)算法的效果，本文采用MATLAB軟件進(jìn)行仿真，仿真計算后的降噪效果用下面的語(yǔ)音信號波形說(shuō)明。

采用在4種背景噪聲下現場(chǎng)錄制的帶噪語(yǔ)音(采樣頻率均為8 kHz)進(jìn)行仿真實(shí)驗，圖3～10的降噪效果仿真圖中，(a)為帶噪語(yǔ)音信號波形，(b)為采用原LMS算法濾波后的語(yǔ)音信號波形，(c)為采用改進(jìn)的LMS算法濾波后的語(yǔ)音信號波形。

第一種，背景噪聲為白噪聲，噪聲類(lèi)型屬理想的平穩寬帶噪聲；

第二種，背景噪聲為電臺噪聲，噪聲類(lèi)型屬近似平穩寬帶噪聲；

圖3、4分別為信噪比約9 dB、6 dB的白噪聲降噪效果仿真圖，圖5、6分別為信噪比約9 dB、6 dB的電臺噪聲降噪效果仿真圖。由圖可以看出，白噪聲和電臺噪聲得到了大幅度的抑制，信噪比提高約8 dB的以上，采用改進(jìn)的算法比原算法噪聲抑制得更大，降噪效果更好；在聽(tīng)覺(jué)效果上，此算法提高了語(yǔ)音的清晰度和可懂度，雖有很小的失真，但對聽(tīng)覺(jué)影響不大。

第三種，背景噪聲為報警器噪聲，噪聲類(lèi)型屬非嚴格周期窄帶噪聲；

第四種，背景噪聲為2 000 Hz單頻噪聲，噪聲類(lèi)型屬?lài)栏裰芷谡瓗г肼暎?/P>

圖7、8分別為信噪比約9dB、6dB報警器噪聲降噪效果仿真圖，圖9、10分別為信噪比約9 dB、6 dB的2 000 Hz單頻干擾噪聲降噪效果仿真圖。由圖可以看出，報警器噪聲和2 000 Hz單頻干擾噪聲也得到了大幅度的抑制，信噪比提高約10 dB以上，采用改進(jìn)的算法比原算法噪聲抑制得更大，降噪效果更好；由于窄帶噪聲頻率成分比寬帶噪聲簡(jiǎn)單得多，自適應算法可以更快地收斂，所以可把噪聲濾除得比較干凈；在聽(tīng)覺(jué)效果上，此算法提高了語(yǔ)音的清晰度和可懂度，很好地保持了語(yǔ)音的自然度，失真很小，對聽(tīng)覺(jué)的影響可忽略不計。

4 結束語(yǔ)

通過(guò)多次高噪音環(huán)境下的實(shí)驗得出，基于線(xiàn)性預測的FIR自適應濾波器結合改進(jìn)的LMS算法對平穩噪聲、信噪比在6 dB以上的帶噪語(yǔ)音具有較明顯的降噪效果，信噪比提高可達8～10 dB以上；在聽(tīng)覺(jué)效果上，此算法提高了語(yǔ)音的清晰度和可懂度，但語(yǔ)音略有失真，對語(yǔ)音自然度有一定程度的影響，這是由于線(xiàn)性預測的結構以及LMS算法本身的缺陷所致，有待日后改進(jìn)。本文提出的LMS改進(jìn)算法思想巧妙，降低了原LMS算法的計算復雜度，加快了程序在DSP上運行的速度，便于DSP實(shí)時(shí)實(shí)現。