集成电路设计与集成系统毕业论文

题目：自适应语音去噪系统研究 学 院 信息科学与工程 专 业 集成电路设计与集成系统 摘 要 随着信息处理理论和技术的发展，滤波技术的应用日益广泛。传统数字滤波器由于权系数固定，在实际应用中缺乏足够信息去计算固定系数，难以解决很多实际问题。自适应滤波技术的出现克服了这一问题，其显著特点是无需用户干预即能自动改变响应以改善性能。因此，自适应滤波算法的研究已成为当前自适应信号处理中最为活跃的研究课题之一。自适应滤波技术包括：自适应信道均衡、信号增强、自适应噪声抵消等。本文以研究自适应噪声抵消技术为目的，利用MatLab仿真Least mean square（LMS算法）和小波阈值算法的去噪效果并进行比较。纵向方面，在不同的噪声环境下，分别使用LMS和小波阈值算法进行去噪处理，分析两种算法在不同的噪声环境下的去噪效果；横向方面，在同一噪声环境下，分别使用LMS和小波阈值两种算法进行去噪处理，比较两种算法在同一噪声环境下去噪性能的优劣性。结果表明，本文研究的LMS去噪算法的去噪效果较好，能有效抑制各种噪声污染，提高信噪比60%75%。此外，LMS算法更简洁，对于噪声的适应性也比小波去噪更强。关键词：自适应滤波技术；自适应噪声抵消；LMS算法；小波去噪；Abstract With the development of the information processing theory and technology, filter technique is applied more and more extensively. The traditional digital filter, owing to a fixed weight coefficient which in practice lacks sufficient information to calculate, is unable to solve as many practical problems as possible. Adaptive filtering technology changed this situation. Without the intervention of users, it can automatically adapt itself to improve its performance. Adaptive filtering algorithm, hence, becomes one of the most attractive researches in present adaptive signal processing field. Adaptive filtering technology includes adaptive channel equalization, signal enhancement, adaptive noise cancellation, etc. This paper aims to do research on the adaptive noise cancellation system through testing the denoising effects, processed respectively by Least mean square algorithm(LMS algorithm) and the wavelet threshold denoising algorithm, in MatLab and then comparing the effects. Vertically, in different noise environments, denoise with the two algorithms and analyse their denoising effects. Horizontally, in the same noise environment, denoise separately with the two algorithms and compare their strengths and weaknesses. It turns out that the LMS algorithm，which this paper targets on，has a better quality in terms of denoising effectiveness, suppression of noise pollution as well as improvement of signal-to-noise ratio of 60%75%. Whats more, the LMS algorithm is easier to operate and more adaptive to noise than the wavelet threshold denoising algorithm.Key words: adaptive filtering technology, adaptive noise cancellation, LMS algorithm, wavelet threshold denoising algorithm 2目录第一章 绪论11.1. 语音信号处理技术概论11.2. 语音增强技术的发展与现状21.2.1. 语音增强技术的意义21.2.2. 语音增强技术的发展31.3. 语音信号噪声的特性41.3.1. 语音和人耳的感知特性41.3.2. 噪声特性51.4. 课题研究的背景与意义51.5. 课题的研究结构6第二章 几种常用的语音增强方法72.1. 自适应噪声抵消法72.2. 增减法语应增强技术72.3. 基于weiner滤波器法的语音增强方法9第三章 自适应语音去噪113.1. 自适应噪声抵消基本原理113.2. 信噪比（SNR）的计算113.3. 自适应噪声抵消系统设计中应该考虑到的影响系统性能的因素123.4. 基本的自适应滤波器的算法143.4.1. LMS自适应滤波器的算法143.4.2. 基于小波去噪的自适应滤波算法15第四章 仿真实验与结果分析184.1. 自适应噪声抵消的MATLAB仿真184.1.1. LMS算法MATLAB仿真184.1.2. 小波阈值去噪的MATLAB仿真分析194.2. 两种算法的对比21第五章 结 论22致谢22附录23参 考 文 献38382013届本科毕业论文第1章 绪论1.1. 语音信号处理技术概论 语言是人类交换信息最方便、最快捷的一种方式。在这个信息化高度发达的现代社会，数字语音信号的传送、存储、识别、合成以及增强是现代信息网络中极为重要的组成部分。语音信号处理与很多领域的知识体系都有非常密切的关系，是语音学和数字信号处理这两个学科衍生出来的边缘学科，随着心理学、语言学、信息论、密码学、模式识别以及人工智能等领域的不断进步以及电子技术的不断发展，数字语音信号处理也开始广泛地应用于各个领域。数字语音信号处理的主要分支：1.语音合成 在传统的语音播放系统中，如果想要使用机器播放语音信息，需要事先输入语音信号，并存储在一个专门的语音库中。存储语音信号需要占用大量的硬件资源，这样不但增加了设备的成本，而且限制了系统的使用规模，如果需要对系统进行升级就必须扩大语音库。语音合成是利用机器来模拟发声的过程，根据人体发声器官的特性以及语音的频谱特点，得到高清晰度，高流畅度的语音输出。使用语音合成技术的好处是不需要事先进行语音信号的录入，只需要建立相应的语音合成法则，将需要表达的内容在机器内部进行编码，自动地生成相应的语音信号。相对于传统的语音播放系统，语音合成技术节省了资源空间并且提高了系统的可扩展性。语音合成技术已经在社会上得到了广泛的应用，目前已经能够实现将文本内容任意转化为人类能够识别的语音信号。 张雄伟.语音信号处理M.北京，机械工业出版社，2003，26-28.随着网络化，信息化的普及，语音合成已经成熟地运用在自动报站系统，自动报时系统，短信自动语音播放系统，人机交互系统等多个领域。2.语音编码 随着数字化和网络化的普及，数字语音信号相比于传统的模拟语音信号的优点也越来越明显。更强的抗干扰性，易于加密和存储，易于网络传输等优点使得语音信号已经逐渐实现了数字化。语音编码是将机器釆集来的模拟语音信号按照一定规则转化为数字信号，要求保证语音质量并且尽量节省系统硬件资源。最简单的方法就是对模拟信号进行A/D采样，数字语音的质量根据釆样率和量化精度来确定。但是，这样简单的编码方式会增大数据量，不便存储和传输。语音编码根据人耳的听觉掩蔽效应，在保证语音可懂度的情况下对信号进行压缩，降低语音信号的编码速率从而更加易于存储和处理。3.语音识别 语音识别就是通过语音和机器进行交流，让机器接收语音信号并通过相应的识别算法将语音信号转化为文本信息或者操作命令。在实际应用中，语音识别技术具有很多优势。在输入信息的时候，直接说出语音指令比通过键盘输入要方便得多，语音输入的速度和键盘输入比起来也要快得多，在一些公共设施中使用语音识别技术取代键盘输入可以免除键盘的日常维护以及消毒工作，语音识别技术使得信息输入系统更加方便快捷。另外，在一些特殊的环境下，比如在高速行驶的汽车和飞机驾驶船中，驾驶员的手脚都必须专注于驾驶操作，这时只能通过语音来进行相应的控制操作。语音识别在不同的使用环境下有着不同的要求。有的语音识别系统需要将接收到的语音信息逐字逐句地转化为文本字符形式，比如声控打字机，语音检索系统，自动翻译系统以及基于广播新闻的自动文摘系统等。有的则是需要机器根据语音信号的内容来做出相应的响应，并不要求每个字都正确转化为文字形式，这样的语音识别系统也有很广泛的应用，比如具有声控识别功能的玩具，可以判别所属语音种类的语种识别系统，基于语音的情感识别系统以及用于安全监控中的声纹识别系统等 李如玮.基于小波变换的语音增强M.合肥，电子科学出版社，2000，32-34.。1.2. 语音增强技术的发展与现状1.2.1. 语音增强技术的意义随着语音信号处理技术的不断发展，不论是语音编码，语音合成还是语音识别技术都在不断的发展，实际应用也越来越广泛 韩纪庆等.语音信号处理M.北京：清华人学出版社,2004：2-3.。这些技术在理论研究阶段都是以纯净的语音信号进行研究和分析的。然而在实际应用中，语音信号会不可避免的受到周围环境的影响，很多因素都会导致语音信号受到噪声的污染，比如语音信号在传输媒介中引入的噪声，电子设备内部的电噪声，还有来自于其他音源的干扰等。这些干扰导致语音信号处理系统中使用的是非纯净的语音信号，直接使用带有噪声的语音信号会使系统的整体性能明显降低。例如，在语音编码中建立语音生成模型时，根据带噪语音信号提取的模型参数会带来很大的误差，由此重建的语音信号质量很差。再比如，一般的语音识别系统在处理纯净的语音信号时会达到不错的效果，在现实使用中，直接使用带噪语音信号进行语音识别会使系统的识别率严重降低。因此，在很多语音处理系统中，为了提高系统的整体性能，需要事先对语音信号进行预处理，降低噪声对语音信号的影响。语音增强是提高语音质量的一种有效方法，从受噪声污染的语音信号中尽量分离噪声并尽可能地还原纯净语音信号，使接收语音的人觉得语音质量得到改善，增加语音信号的可懂性，提高语音处理系统的识别率和抗干扰能力。语音增强技术已经发展成了数字语音信号处理的一个重要的分支，广泛地应用在降低听觉噪声以及语音识别系统和线性预测编码系统的预处理部分。1.2.2. 语音增强技术的发展 从上个世纪60年代至今，语音增强技术的发展已经有50多年历史了，在此期间国内外的学者在这个领域上取得了巨大的研究成果 赵世明，基于小波分析的语音增强算法研究D.安徽理工大学硕士研究生毕业论文.2012：5-7.，语音增强技术也不断地发展进步。目前研究阶段，对于语音增强算法的研究主要可以分为以下四类：1.参数方法 对语音信号进行预先分析，提取语音信号的基音周期以及LPC系数等语音特征参数并建立语音信号生成模型，比如最常用的自回归AR模型。该模型使用激励信号通过线性时变滤波器来模拟语音信号的生成，这种方法的关键就是根据语音特征参数对激励信号的参数和滤波器参数进行估计。常用的滤波器模型有梳状滤波器，维纳滤波器和卡曼滤波器等。这几种滤波器各有优缺点，要根据实际情况来选择。参数方法的缺点也很明显，一旦语音生成模型建立就只能处理特定类型的语音信号，当噪声信号和语音信号发生变化时，系统的降噪性能会急剧下降。2.非参数方法 在平稳噪声环境下，提取噪声参数对含噪语音信号进行噪声补偿，由于语音信号具有短时平稳性，在稳定的环境下使用这种方法可以取得很不错的效果，但不适合非平稳的噪声环境。由于不需要建立语音生成模型，非参数方法的使用范围比参数方法更广泛。具有代表性的非参数语音增强算法有谱减法和自适应噪声抵消法。谱减法属于语音短时谱估计方法的一种，在无音段提取噪声的频谱特性作为带噪语音信号中的噪声估计，将含噪语音信号的频谱减去估计得到的噪声频谱得到增强后的语音信号。该算法不是很复杂，在实际应用中也比较容易实现，缺点是对噪声信号的要求很高，必须是平稳噪声才能得到正确的噪声谱估计，同时在低信噪比条件下使用谱减法得到的语音信号会有严重的失真。自适应噪声抵消法使用一个参考噪声来抵消语音信号中的噪声，参考噪声经过自适应滤波器后得到噪声估计，通过对自适应滤波器系数的调整，使得估计的噪声信号尽可能地逼近实际噪声，再从带噪语音中减去估计的噪声分量就可以得到增强的语音信号。 李荣祥，马春庭，程翔. 一种新的小波阈值法在语音信号处理中的应用J，电声技术，2009（174）：43-45.通过自适应抵消法能够对噪声信号进行有效地估计，可以达到不错的降噪效果。3.其他方法 之前提到的参数方法和非参数方法都有一个很重要的条件，需要事先了解语音信号和噪声信号的先验知识，这一点极大地限制了语音增强系统的使用范围。在不知道噪声信号特性的情况下，选取合适的语音增强算法，在没有预先知道噪声和语音信号特征的情况下，在预处理阶段直接对含噪语音进行噪声分离，提高语音信号的信噪比。这样的语音增强算法有小波变换WT (Wavelet transform),离散余弦变换DCT (Discrete cosine transform),人工神经网络等算法等。4.统计方法语音增强算法中经常需要使用统计方法来提取语音信号和噪声信号的短时频谱特性。语音增强中常用的统计方法是最小均方差估计算法MMSE (Minimummean square error)。在实际应用中发现，将统计方法与其他语音增强算法结合可以得到很好的降噪效果。在小波变换和离散余弦变换中常使用统计方法来寻找合适的阈值参数，在基于听觉掩蔽效应的语音增强系统中也经常使用统计方法来确定听觉掩蔽阈值。在对语音信号和噪声信号进行分析时，选择合适的统计方法可以有效地确定语音和噪声的特征参数。1.3. 语音信号噪声的特性 语音增强不仅涉及传统信号处理理论，而且与语音特性，人耳感知特性密切相关;同时由于实际应用中噪声的来源及种类各不相同，从而造成处理方法的多样性。因此要结合语音特性、人耳感知特性及噪声特性，根据实际情况选用合适的语音增强方法。1.3.1. 语音和人耳的感知特性 语音信号是一种非平稳、时变的随机过程，其产生过程与发声器官的运动紧密相关。但发声器官的状态变化速度比声音振动的速度要缓慢得多，因此语音信号可以认为是短时平稳的。在一段短时间内(1030ms)，其特性基本保持不变即相对稳定，从而可以应用平稳随机过程的分析方法来处理语音信号，并可以在语音增强中利用短时频谱的平稳特性。语音信号分为清音和浊音两大类，两者在语音产生机理上和特征上有明显的差异。比如浊音在时域上有明显的周期性和较强的振幅，其能量大部分集中在低频域内，在频谱上表现出共振峰结构;而清音没有明显的时域和频域特征，波形类似于白噪声并有较弱的振幅。在语音增强中，可以利用浊音的准周期性特征，采用梳状滤波器提取语音分量或者抑制非语音信号，而清音则难以与宽带噪声区分。 高亚召，李亚安.小波收缩语音增强中的小波基选择方法J.电声技术，2008（12）：58-61. 由于语音是非平稳的随机过程，所以长时间的时域统计特性在语音增强的研究中意义不大。语音的短时谱幅度的统计特性是时变的，只有在分析帧长趋于无穷大时，才能近似认为其具有高斯分布。根据中心极限定理，这种高斯模型应用于有限帧长时只是一种近似的描述，在宽带噪声污染的带噪语音的语音增强中，可将这种假设作为分析的前提。为了从背景噪声中分辨出实际的语音信号，我们有必要了解语音是如何产生的。连续的语音是由一个个的音节连接起来的，每一个音节又是由更小的音素组成。音素分为元音和辅音，它们是由语音器官以不同的发声类型、发声方法和发音部位产生的。无论是元音还是辅音，其产生都经历三个过程：声源激励、声道共鸣和口鼻辐射。 语音增强效果的最终度量是人耳的主观感受，所以在语音增强中可以利用人耳感知特性来减少运算代价。目前已有如下一些有用的结论可应用于语音增强:人耳对语音的感知主要是通过语音信号频谱分量幅度获取的，对各分量相位则不敏感;人耳对频谱分量强度的感受是频率与能谱的二元函数，响度与频谱幅度的对数成正比;人耳有掩蔽效应，即强信号对弱信号有掩盖的抑制作用，掩蔽的程度是声音强度与频率的二元函数，对频率的临近分量的掩蔽要比频差大的分量有效的多;人耳还可以在两个人以上的讲话环境中分辨出所需要的声音等等。1.3.2. 噪声特性 根据输入语音信号的关系，噪声可以分为加性噪声和非加性噪声两类。对于非加性噪声，有些可以通过变换转变为加性噪声。例如，乘性噪声可以通过同态变换转换为加性噪声。某些与信号相关的量化噪声也可以通过伪随机噪声扰动的方法转换成与信号独立的加性噪声。加性噪声通常分为周期性噪声、脉冲噪声、宽带噪声和同声道语音干扰等。周期性噪声主要来源于发动机等周期性运转的机械，电气干扰也会引起周期性噪声。其特点是频谱上有许多离散的、时变的、与语音信号重叠的窄谱峰，必须采用自适应滤波的方法才有可能自动识别和区分噪声分量。脉冲噪声来源于爆炸、撞击、放电及突发性干扰等，其特点是时域波形是类似于冲激函数的窄脉冲，消除这种噪声可以在时域内进行。宽带噪声的来源很多，包括风、呼吸噪声和一般地随机噪声源.量化噪声通常也作为白噪声来处理，也可以视为宽带噪声。由于宽带噪声的语音信号在时域和频域上完全重叠，因而消除它最为困难，至今所研究地最成功地方法是利用了某种形式地非线性处理。同声道语音干扰是多个语音同时在单信道中传输时叠合在一起导致的语音干扰。其特点是不同语音有基音差别，可以考虑采用语音分离的方法。1.4. 课题研究的背景与意义 随着网络化，信息化和集成电路技术的不断发展，语音处理系统的使用越来越普遍，人们对于语音处理系统性能的要求也不断的提高，使用语音增强技术可以提高语音信号的可懂度，提升语音识别系统的识别率。目前有多种语音增强算法，针对实际情况选择合适的去噪手段是非常重要的。由于语音信号是非平稳信号，传统的傅里叶变换无法其做出局部的精细分析。小波分析方法是一种窗口大小固定但时间窗和频率窗都可以改变的时频局域化分析方法，在语音信号的细节处理上能获得很好的效果。在加性白噪声环境下使用小波变换可以得到很好的语音增强效果，国内外的一些学者也在这个研究方向取得了一些成就。基于小波变换的语音增强算法的关键是选择合适的小波基函数，小波分解层数和门限阈值 王振力，语音增强新方法研究D.南京邮电大学硕士研究生毕业论文.2012，13-15.。用LMS算法对我们设计的自适应语音去噪系统进行了MATLAB仿真，分析了LMS算法在语音去噪上的可行性；与此同时，也对小波去噪对该系统进行了MATLAB仿真，并分析两种方法在自适应语音去噪方面的优劣性。1.5. 课题的研究结构 本文主要从以下几个方面进行了研究: （1）对自适应滤波器的应用进行了简单的归纳和总结。 （2）对自适应滤波的常用算法进行了归纳和总结，主要对LMS算法和小波去噪的性能进行了讨论和分析。 （3）用LMS算法对我们设计的自适应语音去噪系统进行了MATLAB仿真，分析了LMS算法在语音去噪上的可行性；与此同时，也对小波去噪对该系统进行了MATLAB仿真，并分析两种方法在自适应语音去噪方面的优劣性。第2章 几种常用的语音增强方法2.1. 自适应噪声抵消法 自适应噪声抵消法可以在未知环境中跟踪时变的语音信号，通过构建自适应噪声滤波器来估计噪声，使增强后的语音信号达到最优，其原理如图2.1所示：图 2.1 自适应滤波原理如图2所示，s(n)为纯净语音信号，d(n)为加性平稳噪声，y(n)为带噪语音信号，r(n)为自适应滤波器的参考噪声输入，v(n)是该滤波器的输出。自适应滤波器在输入过程中，当参考噪声发生变换时，可以自适应的调整滤波器参数，以达到最佳的语音增强效果。自适应滤波器通过对输入r(n)进行处理，使得输出的噪声估计v(n)尽量逼近噪声d(n)，从带噪语音中减去噪声分量，从而实现语音增强的效果。自适应滤波器通常采用FIR滤波器，以误差e(n)最小为标准，滤波器系数通过最小均方误差准则迭代估计。误差的表达式为： （2.1）式（2.1)中的为自适应滤波器的系数，N为滤波器抽头数。最小均方误差准则要求语音信号与噪声信号相互独立，这时得到的最小误差e(n)可以保证对噪声的最优估计。如果噪声与语音信号不独立，需要在无音期进行噪声采集来确定滤波器系数。山于自适应噪声抵消法使用参考噪声作为辅助输入，可以随时对噪声分量做出比较好的估计，该方法对于带噪语音信号的增强效果较好。当参考噪声与语音中的噪声分量完全相关时，该算法可以很彻底地抵消掉语音信号中的噪声分量，大大提升语音信号的可懂度。2.2. 增减法语应增强技术 减法是利用噪声分量的统计平稳性以及加性噪声和语音信号不相关的特性而提出的一种语音增强算法。该算法没有使用参考噪声源，假设噪声统计平稳，即语音中噪声分量的幅度谱与语音间歇中无音段的噪声幅度谱期望相同。使用无音段中得到的噪声谱估计作为语音中噪声分量的频谱 Li Ye,Cui Huijuan,Tang kun. Speech Enhancement Algoritlm Based on SpectralSubtra-action. J T Singhua Univ(Sci&Tech),2006,46(10): 1685-1687.。将带噪语音的频谱与噪声谱相减，得到增强后的语音频谱估计。如果谱相减后得到的频谱幅值为负，将其置零。根据人耳的感知特性，人耳主要对语音信号的频率比较敏感李宏伟，段艳丽等.基于帧间重叠谱减法的语音增强算法及其实J.空军工程大学学报，2005,2(5)：48-50.，对于信号的幅度以及相位并不敏感，因此该方法是一种有效的语音增强技术。谱减法是在假定加性噪声与短时平稳的语音信号相互独立的条件下，从带噪语音的功率谱中减去噪声功率谱，从而得到较为“纯净”的语音频谱 R.Martin.Noise Power Spectral Density Estimation Based on OptimalSm-oothing and Minimum StatisticsJ.IEEE Transactions on Speech and AudioProcessing.Vol.9,No.S,July 2001:504-512.。假设设带噪语音信号为: （2.2）式（2.2)中，s(n)为纯净语音信号，d(n)为加性平稳噪声，y(n)为带噪语音信号。根据语音信号的短时平稳性，使用谱减法进行语音增强时需要事先对带噪信号进行加窗处理，这里的y(n)实际上表示的是加窗后的带噪语音信号。设d(n)为高斯白噪声，其傅里叶变换仍然满足高斯分布。谱减法的基本思路就是利用从无音段提取的噪声谱估计，将带噪语音的频谱减去噪声谱，最后将相减后的频谱进行傅里叶反变换。对y(n)，对s(n)和d(n)做傅里叶变换，则有： （2.3） （2.4）由于噪声分量和语音信号不相关，所以独立分布，为高斯分布，所以得到： （2.5）接着根据无音段中估计的噪声谱得到纯净语音信号的估计值： （2.6） （2.7）式中为增强后语音信号的频谱幅值。谱减法原理如图2.2所示：图2.2 谱减法原理图谱减法的优点是算法简单，实现容易，只需要正反傅里叶变换即可实现，在实际应用中不需要占用过多硬件资源。但是谱减法的缺点是无法对信噪比较低的信号进行有效的语音增强，如果噪声谱估计过大，频谱相减时会对语音信号造成明显失真。同时，使用谱减法对带噪语音进行语音增强后会使增强后的语音信号中加入带有节奏感，类似于音乐的噪声残余，谱减法也因此得名。谱减法的实现如图2.3所示：图2.3 谱减法实现图2.3. 基于weiner滤波器法的语音增强方法 基于weiner滤波法的语音增强技术的基本思路是：对于式（2-2)中的带噪语音信号y(n),构建冲激响应为h(n)的weiner滤波器保证带噪语音信号通过该滤波器后的输出s(n)尽可能地逼近纯净语音信号。假定s(n)和的d(n)都是短时平稳随机过程，由weiner-hopf积分方程得到： （2.8）两边取傅里叶变换得到： （2.9） （2.10）其中，由于(w)=(w),(w)=Y(w)并且由于s(n)和d(n)独立，满足： （2.11）将式（2.11)带入式（2.10)得到： （2.12）上述的理论推导要求各信号都具有平稳性，由于语音信号具有短时平稳性，在使用weiner滤波法时需要对语音信号进行加窗处理。噪声的功率谱(w)可以参考谱减法，使用无音段的信号进行估计。将带噪语音信号的功率谱Y(w)减去噪声的功率谱w)即可得到语音信号的功率谱估计根据式（2.12)构建weiner滤波器H(w)，每一帧的语音信号的功率谱可以表示为： （2.13）利用带噪信号的功率谱Y(w)和weiner滤波器H(w)可以得到语音信号的功率谱估计，经过傅里叶反变换后即可得到增强后的语音信号。使用weiner滤波法后，增强后的语音信号中的残留噪声分量类似于高斯白噪声，不会像谱减法中带有节奏感的噪声残留。第3章 自适应语音去噪3.1. 自适应噪声抵消基本原理典型的自适应噪声抵消系统如下图所示：图3.1 自适应噪声抵消系统从图3. 1自适应噪声抵消系统我们可以看出: 自适应噪声抵消系统有两个通道一一主通道和参考通道。我们假定信号，为零均值平稳随机过程，由于两个通道收到的干扰，均来自相同的噪声源，所以二者存在一定的相关性，但它们却与有用信号是互不相关的。主通道主接受从信号源发来的信号，受到干扰源的干扰，这使得主通道也接收到来自干扰源的干扰。参考通道的主要作用就是检测干扰，并通过自适应滤波器参数调整使输出在最小均方误差的意义下最接近主通道干扰。我们通过相减器，将主通道的干扰噪声分量对消掉。 在图3. 1主通道的输入由构成自适应滤波器所需要的信号记为，系统的输出则取自误差信号，即有 (3.1)均方误差即输出的均方值 (3.2) Rupp M.A family of adaptive filter algorithms with decorrelating properrites. IEEE Trans.on signal processing,1998,4,71-72.3.2. 信噪比（SNR）的计算 赵力，语音信号处理M，上海，机械工业出版社，2002，145-148通常信噪比的定义为信号的功率与噪声功率之比。在图3.1中，可以看出自适应噪声抵消系统的输入信噪比为主通道中输入信号 (3.3)中的有用信号的总能量与干扰噪声的总能量之比，即 (3.4)由此可以看出，自适应噪声抵消系统输出信号中除了含有有用信号外，还含有完全抵消掉的剩余噪声，所以输出信号的信噪比应为的总能量，与剩余噪声总能量之比，由式有 (3.5)所以输出信噪比为 (3.6)我们可以得出信噪比的提高量为 (3.7)3.3. 自适应噪声抵消系统设计中应该考虑到的影响系统性能的因素 赵胜辉，刘家康，谢湘等，离散时间语音信号处理-原理与应用M.北京电子工业出版社，2004：258-269.（1） 参考输入中含有信号成分。图3.2 参考信道中含有信号分量的情况 从图3.2可以看出，参考通道不仅检测到干扰信号，还接收到信号分量，那么在适应滤波器的输出信号中含有信号分量。通过相减运算，信号分量将被抵消，使输出信噪比的下降，我们可以得出 (3.8) 其中，表示噪声抵消系统的输出信噪比，表示参考信道的输出信噪比。通过式4.12我们可以看出，参考通道的输入信噪比越强，噪声抵消系统的输出信噪比越差，二者呈反比关系。 黄雅婷，基于听觉特性的电子耳蜗语音增强的研究D.苏州大学，2008,54-55.我们在设计时为了获得好的噪声抵消性能，应尽量使参考通道检测到得信号尽可能的小。(2)基本输入和参考输入中含有非相关的噪声成分。图3.3 两信道中含有非相关信号的情况 我们知道，若两输入中的干扰成分是彼此相关的，则我们可以通过自适应噪声抵消系统能较好的抵消。但当背景噪声和互不相关时，则无法通过噪声抵消技术来将它们消除。 由上面两个影响性能的因素，我们可知，自适应噪声抵消系统的输出信噪比将由于两输入中存在不相关噪声而降低，这种性能降低是由滤波器本身的性质决定，即它能对相关干扰进行良好估计，而对非相关噪声的估计存在一定的局限性。因此在设计过程中要尽量减少两通道中的非相关噪声，但有些是不可避免的，如A/D转换的量化噪声。3.4. 基本的自适应滤波器的算法 自适应滤波算法根据其采取的优化准则不同，最常见的算法是基于维纳理论的最小均方(LMS)算法，LMS算法原理是使滤波器的输出信号与期望输出信号之间的均方误差最小，以使下次的输出更接近期望输出。此基本准则衍生出许多不同的自适应算法 孙晶，语音增强算法研究D.吉林大学，2006,32-33。3.4.1. LMS自适应滤波器的算法 最小均方(Least Mean Square, LMS )算法最初是由Widrow Widrow B ,Hoffman M.E,IR(1960) Adaptive switching circuits,IER WESCON conv.REV.,1960,4:96-104.和Hoff在1959年在研究模式识别机时提出来的。经过近50年的发展，在自适应算法层出不穷的今天，LMS算法一直是一种最为经典、受到最广泛关注的自适应算法。事实上，最小均方算法的名称并不准确，因为这种算法的优化目标函数是最小瞬时误差的平方，而不是对应于维纳滤波的最小均方误差。 LMS算法在优化方法中采用的是基于随机梯度的最速下降法。但是，这种随机梯度的估计是无偏的，对于随机平稳输入信号，滤波器的权系数的数学期望可以收敛到维纳解。LMS算法的主要优点是算法简单不需要计算相应的相关矩阵和进行矩阵运算，从而运算量小、易于实现。其主要缺点是收敛速度较慢，而且收敛速度与输入信号的统计特性有关。另一方面，LMS算法对于非平稳随机输入的跟踪能力较差。但随着对于LMS算法的研究越来越深入，其运用也越来越广泛。 沈福民，自适应信号处理M，西安，西安电子科技大学出版社，2001，98-102.LMS算法是线性自适应滤波算法。通常，它包括两个基本过程：(1)滤波过程。包括:(a)计算线性滤波器输出对输入信号的影响； (b)通过比较输出结果与期望响应产生估计误差。(2)自适应过程。根据误差自动调整滤波器参数。滤波过程和自适应过程共同组成一个反馈环，如图3.4所示：图3.4 LMS算法实现LMS算法的基本思想是通过调整滤波器自身参数，使滤波器输出信号与期望信号之间的均方误差最小，这样系统输出的信号叫做最佳估计信号： （3.9） （3.10） （3.11）其中，为滤波器的输出，为期望信号，为误差信号，为滤波器的加权系数，为自适应步长参数。LMS算法一般采用牛顿法或最小权系数矢量，按照最速下降法，系统均方误差的梯度反方向求取权系数矢量。 （3.12）式中是收敛因子。LMS算法进行梯度估计的方法是以误差信号次迭代的瞬时平方值代替其均方值，并以此估计度，得出LMS算法的权系数递推公式： （3.13）3.4.2. 基于小波去噪的自适应滤波算法 由Mallat Haykins.AdaptiveFilteringTheory.UpperSiver,N:Prentice-Hall,2002,66-68.小波变换算法的分解和重构步骤，可以得到各级小波变换的逼近信号和细节信号。粗分辨逼近相对原始信号是越来越粗略和平滑，将原始信号的边缘的轮廓和噪声导致的毛刺逐渐平滑掉，剩下的即为原始信号的主体部分；细节信息主要体现原始信号的边缘成分。由于小波变换的多分辨率特性，在合适的尺度下原来是非平稳的跳变信号会呈现出与噪声截然不同的特性。含噪的一维信号模型可表示为如下形式：， (3.14)其中，为含噪信号，为有用信号，为噪声信号。通常表现为高频信号，而实际中通常为低频信号。 姚凌强，杨鼎才，王天娇，基于仿生小波的阈值增强算法J.电子技术，2008（2）：56-61图3.5 信号的三层小波分解一维信号消噪的过程可分为如下3个步骤： （1）信号的小波分解。（如进行三层分解，分解过程如图3.5所示)，噪声信号多包含在具有较高频率的细节cD1、cD2和cD3中； （2）小波分解高频系数的硬阈值量化； （3）一维小波重构。根据小波分解的底层低频系数和各层高频系数进行一维小波重构。最关键的是如何选择阈值及如何进行阈值量化，在某种程度上，它关系到信号消噪的质量。对于被高斯白噪声污染的信号基本噪声模型，选择阈值的准则 陈欣，语音增强算法的研究于实现D.北京邮电大学，2007,49-50如下 （1）无偏似然估计原理的自适应阈值选择。给定一个阈值，得到它的似然估计，再将非似然最小化，就可得到所选的阈值。 （2）固定阈值准则。利用固定形式的阈值，可取得较好的去噪特性。所产生的阈值为 n为待估计矢量的长度。 （3）混合准则。它是前两种阈值的综合，所选择的是最优预测变量阈值。 （4）极小极大准则。本准则采用固定阈值获得理想过程的极小极大特性。 通过正交小波变换将原始信号分解到若干不同频带上，采用分层阈值的方式对雷达视频信号进行处理。低频子带的缩放因子大，表示小波比较宽，度量的是信号轮廓；高频子带的缩放因子小，表示小波比较窄，度量的是信号的细节，所以低频子带就有较高的幅度值，从而较低频率回波脉冲保留了的较详细的轮廓；而高频子带有相对较低的幅度值，只保留下回波脉冲的高频细节部分，根据以上特征，采取有效措施，滤除幅度较低的高频杂波和噪声。 自适应阈值算法的基本思想是由于信号对应的小波系数其幅值较大，但数目较少，而噪声对应的小波系数是一致分布的，个数较多，但幅值小。 曹艳艳，基于小波变换的语音消噪D.西安电子科技大学，2008,65-66.基于以上性质，可以假设初始阈值，将绝对值小于该阈值的小波系数置零，当该阈值一步一步增大时，刚开始的非零值个数会快速下降，即小于阈值的小波系数个数快速增加（主要是噪声信号），但当下降到某一点假设只剩下有用信号的情况下，当阈值进一步增大时，此时所得出的非零值个数会减第4章 仿真实验与结果分析4.1. 自适应噪声抵消的MATLAB仿真4.1.1. LMS算法MATLAB仿真 本节讲述了采用Matlab语言进行LMS算法的程序设计仿真实验。通过自适应算法对被噪声影响的语音信号进行恢复处理。在仿真实验中，分A、B、C三组，原始信号为record1、2、3，均为自行录制的单声道8位、采样率为20500语音。每组语音都进行加白噪声处理，噪声方差为10并进行相应地去噪。主要根据导出的初始语音、加噪语音、去噪语音的音频文件进行人耳辨听，感受去噪效果。其次，也根据导出的初始波形、加噪波形、去噪波形以及信噪比进行分析。以下是三组的波形图：图4.4 A组波形图图4.5 B组波形图图4.6 C组波形图三组的信噪比（SNR）:组别ABCSNR69.057772.030569.6084表格 1利用LMS算法所得的三组信噪比由以上3图可以看出，A、B、C三组的波形图中滤波去噪后的波形和原始波形是非常接近的；同时由表格可得，A、B、C三组的信噪比（SNR）分别为69.0577、72.0305和69.6084；由以上两点可以得出，该算法对于不同的语音都能有不错的去噪效果。4.1.2. 小波阈值去噪的MATLAB仿真分析 本节讲述了采用Matlab语言进行小波阈值去噪的程序设计仿真实验。通过自适应算法对被噪声影响的语音信号进行恢复处理。在仿真实验中，分A、B、C三组，原始信号为record1、2、3，均为自行录制的单声道8位语音。每组语音都进行加白噪声处理，并进行相应地去噪。主要根据导出的初始语音、加噪语音、去噪语音的音频文件进行人耳辨听，感受去噪效果。其次，也根据导出的初始波形、加噪波形、去噪波形以及信噪比进行分析。以下是三组的波形图：图4.10 A组波形图图4.11 B组波形图图4.12 C组波形图三组的信噪比（SNR）：组别ABCSNR59.476561.079860.3289表格 2 利用小波去噪所得的三组信噪比由以上3图可以看出，A、B、C三组的波形图中滤波去噪后的波形和原始波形是非常接近的；同时由表格可得，A、B、C三组的信噪比（SNR）分别为59.4765、61.0798和60.3289；由以上两点可以得出，该算法对于不同的语音都能有不错的去噪效果。4.2. 两种算法的对比关于两种算法的对比，本文采用这样的研究方法：选取一段自然噪声较小的语音，然后分别对其加上噪声方差从小到大的高斯白噪声，用Matlab仿真得出其信噪比SNR，然后绘制出相应的折线图。如下图4.13所示：图4.13 两种算法的去噪效果对比由图可以看出，提供同一段语音信号再加上噪声方差从小到大的高斯白噪声，经LMS算法的去噪后输出的信噪比(SNR)均高于小波去噪后输出的信噪比（SNR），说明同等条件下，小波去噪算法的去噪性能优于LMS算法去噪。第5章 结 论 本文首先介绍了目前自适应滤波技术和自适应噪声抵消技术的发展和现状，并简要介绍了本文所要研究的主要内容和所要达到的目标。 其次，通过查阅资料对自适应滤波原理进行了归纳与总结，对自适应滤波技术的主要应用:自适应信道均衡、信号增强、自适应噪声抵消等做了一定的了解和总结。而后，我们对一些基本的自适应滤波算法做了归纳讨论和相应的一些公式推导。主要包括:LMS(最小均方)自适应算法和小波阈值去噪的算法等。着重对LMS算法和小波阈值进行了性能分析和讨论，对LMS算法的梯度V(n)的计算，步长因子的选取进行了讨论和估计。 在对自适应滤波原理和自适应基本算法有着充分了解的基础上，本文的工作重点在第四章这一章上。第四章详细的介绍了自适应噪声抵消技术的原理和相应的自适应噪声抵消的MATLAB仿真。我们通过利用MATLAB仿真软件，编写了LMS自适应滤波算法和小波去噪对预先录制的语音输出信号进行了仿真分析，实验结果符合我们在上一章所期望得到的结果。然后我们将这两种算法应用于自适应语音抵消系统，通过自录语音进行了语音去噪仿真实验，从实验结果我们可以看出我们所设计的噪声抵消系统的仿真结果同理论分析吻合，能有效的抑制各种噪声污染，大幅度提高语音信噪比，同时引入的语音信号失真也很小。因此能大大地改善语音质量，提高语音的可懂度，是语音增强的良好方法。 本文的局限性在于：论文的体裁选定上，语音去噪技术经过几十年的发展已口趋成熟，许多算法也口益完善，论文的突破性和创新性难以展开，但目前应用前景仍然十分广泛，对语音去噪的研究仍然需要大家共同努力。实验数据的采集上，由十采集语音的方法和途径的局限性，算法的输入信号未能达到理论上的预期，只是部分验证了算法的可行性。在DSP系统的搭建上，没有利用相应的开发板来实现，未能自己焊接硬件电路板。 本文需要改进的地方主要有： (1)在讨论LMS与小波去噪的基础上应该对更多的算法进行讨论和比较，这样才能得出更为有用、更为先进的算法。 (2)语音采集的途径和仿真数据较少，应该进行更为广泛和精准的采集。(3)应该利用开发板，自己设计硬件电路，实际反映调试情况和结果。致谢 四年的本科生生活是我生命中宝贵而美好的一段时光，这段记忆将永远珍藏在我的心底，伴随我以后的成长。在论文完成的此刻，在这即将离别的口子里，我衷心的对关心和帮助我的所有老师和同学，对我的家人致以诚挚的谢意! 本文是在导师林晓丹的悉心指导下完成的。导师严谨求实的治学态度、孜孜不倦的敬业精神、循循善诱的教学风格、正直坦荡的为人风范让我们受益匪浅，这一切将成为学生未来人生道路上的明灯，谨此向导师致以崇高的敬意和衷心的感谢! 借此机会也向给与我无私帮助的学校、院、系的各位老师、同学和朋友们表示由衷的感谢。感谢2009级同窗好友们的热情帮助! 衷心感谢评审论文的各位专家、教授为本文提出的宝贵意见。 感谢我的家人，正是他们默默支持，深深祝福，无尽关爱和理解才让我走好人生的每一步。能够和家人一起分享成功的喜悦，是我最大的幸福和快乐。 最后，特别感谢各位专家、教授在百忙之中对本文的审阅和指正。附录外文文献译文一种新型基于小波图像去噪法（一） 基础知识介绍近年来,小波理论得到了非常迅速的发展,而且由于其具备良好的时频特性,实际应用也非常广泛。这里希望利用小波的自身特性,在降低噪声影响的同时,尽量保持图像本身的有用细节和边缘信息,从而保证图像的最佳效果。其中图像的小波阈值去噪方法可以说是众多图像去噪方法的佼佼者。1.1小波理论：一种数学方法本节介绍了小波分析理论的主要思想，这也可以认为是对信号分析技术，最根本的概念。FT定义使用基函数的傅里叶分析和重建功能。向量空间中的每一个向量可以写成在该向量空间基础上的向量的线性组合，即一些常数乘以数的向量，然后通过采取求和的产品。信号的分析牵涉到这些常量数字（变换系数，或傅立叶系数，小波系数等）的合成，或重建，对应的计算公式的线性组合。 这个主题中所有的定义及相关定理都可以在Keiser的书中找到，是一个很好的指导，但是要想对小波函数是如何工作的有一个专业的理解，必须要了解小波理论的基本原则，入门级的知识。因此，这些信息将提交本节。 1.2小波合成连续小波变换是一种可逆的变换，只要满足方程2。幸运的是，这是一个非限制性规定。如果方程2得到满足，连续小波变换是可逆的，即使基函数一般都是不正交的。重建可能是使用下面的重建公式：公式1小波逆变换公式其中C_psi是一个常量，取决于所使用的小波。该重建的成功取决于这个叫做受理的常数，受理满足以下条件：公式2受理条件方程这里 psihat(xi) 是 FT 的psi(t)，方程2意味着psihat(0) = 0，这是:公式3如上所述，公式3并不是一个非常严格的要求，因为许多小波函数可以找到它的积分是零。要满足方程3，小波必须振荡。1.3连续小波变换连续小波变换作为一种替代快速傅里叶变换办法来发展，克服分析的问题 。小波分析和STFT的分析方法类似，在这个意义上说，就是信号和一个函数相乘，它的小波，类似的STFT的窗口功能，并转换为不同分段的时域信号。但是，STFT和连续小波变换二者之间的主要区别是：1、Fourier转换的信号不采取窗口，因此，单峰将被视为对应一个正弦波，即负频率是没有计算。 2、窗口的宽度是相对于光谱的每一个组件变化而变化的，这是小波变换计算最重要的特征。 连续小波变换的定义如下：公式4从上面的方程可以看出，改变信号功能的有两个变量，和s，分别是转换参数和尺度参数。psi(t)为转化功能，它被称为母小波。母小波一词得名是由于如下所述的两个小波分析的重要性质：这个词意味着小波浪。小指的条件是本（窗口）函数的有限长度的（紧支持）。波指的条件是这个函数是振荡的。这个词意味着母波在支持不同类型波的转型过程中起主要作用，或