一、语音增强中自适应噪声对消技术研究（论文文献综述）
刘力玮[1]（2021）在《基于GSC结构的麦克风阵列语音增强技术研究》文中提出日常生活中麦克风所接收到的语音信号会被各种噪声所污染,这种现象是在所难免的。因此混合语音信号在处理之前通常先会对语音质量进行改善,而语音增强技术便可以用来对混合语音信号进行预处理,从而得到较为纯净的语音信号。与传统的单通道麦克风语音增强算法相比,麦克风阵列语音增强技术可以更好地处理复杂噪声环境中的方向干扰噪声,提高语音的清晰度。本文主要内容如下:1、阐述了包括GSC算法在内的几种经典麦克风阵列波束形成算法,并设置了简单与复杂两种声学环境,分别对GSC波束形成语音增强算法和固定波束形成语音增强算法在两种情况下进行实验分析及对比。由此得出GSC算法具有非相干噪声抑制能力差、信号自抵消的固有缺陷。2、针对GSC算法非相干噪声抑制能力差的缺陷,提出了一种基于谱减（Spectral subtraction,SS）法改进的GSC-SS语音增强算法,将改进后的谱减法作为后置与GSC算法进行级联,对归一化改进GSC算法的输出信号作功率谱减处理,实验结果表明,该算法可以有效改善GSC算法非相干噪声抑制能力弱的缺陷,但却容易产生“音乐噪声”。3、针对GSC-SS算法存在“音乐噪声”的不足,提出了一种基于Kalman滤波改进的GSC算法,将Kalman滤波算法作为后置,利用前刻状态与当前状态观测值估计当前值,将滤除方向性干扰噪声后的语音信号输出到级联的Kalman算法中,GSC输出信号所残余的背景噪声通过迭代最小均方误差进行噪声估计,从而抑制非相干噪声与麦克风阵元所产生的热噪声。实验结果表明,该算法在噪声抑制上与传统的GSC算法及后置谱减滤波算法相比具有明显的优越性,增强后的信号可保留更多有用信息。4、针对复杂噪声环境下GSC自抵消现象,提出了一种基于DNN改进的GSC算法。该算法通过多目标DNN代替GSC结构中的下层分支,依赖于DNN强大的数据拟合能力来改善自抵消现象。实验结果表明,相对于传统GSC算法,此算法具有很好的复杂噪声环境适应能力,相比传统GSC算法和本文所提另外两个算法,该算法增强后的语音更接近于目标语音信号。
周滨[2]（2021）在《基于差分麦克风阵列的双通道语音增强技术研究》文中指出随着人工智能领域的发展,语音交互技术逐渐成为人工智能发展的重点研究对象。麦克风阵列技术可以在复杂的声学环境中进行噪声抑制,提高语音质量和可懂度。由于麦克风的数量、体积及运算速度等条件的限制,大多数基于麦克风阵列的语音增强算法不能直接应用于便携式终端设备中。差分麦克风阵列（Differential Microphone Arrays,DMA）因为其具有超强方向性、波束模式频率几乎不变以及体积小的特点得到了充分重视和广泛研究。本文主要研究了基于一阶差分麦克风（First-order Differential Microphone,FDM）阵列的双通道语音增强技术,并针对传统算法的不足做出了改进。具体内容如下:首先,对基于FDM阵列技术的双通道语音增强方法（简称FDM-SS）进行研究分析。发现经该算法处理得到的增强语音信号中存在方向性噪声残留,并且当对测试语音的静音段估计不精确时会造成语音质量的下降。其次,针对FDM-SS算法处理后增强语音信号存在方向性噪声残留的缺陷,提出了基于差分麦克风阵列的变步长LMS（Least Mean Square）语音增强算法。该算法对两个麦克风采集到的带噪语音信号进行一阶差分麦克风阵列处理,将获得的语音通道信号和噪声通道信号分别作为期望信号和误差信号与变步长频域LMS算法相结合,控制自适应滤波器的权系数进行调整。实现对语音通道信号中的方向性噪声残留进一步消除。仿真实验结果显示,提出的改进算法能够对方向性干扰噪声进行有效地抑制,提高语音质量。最后,针对广义旁瓣对消（Generalized Sidelobe Cancellation,GSC）结构中存在BM模块在低频段会丢失语音信号的缺陷。结合一阶差分麦克风阵列的优势,提出了基于一阶差分麦克风阵列的改进GSC算法。该算法将差分麦克风阵列处理后的语音通道信号和噪声通道信号分别作为GSC的固定波束形成器（Fixed Beamformer,FBF）模块和阻塞矩阵（Blocking Matrix,BM）模块输入。并增加一个BM模块通过均衡滤波器对低频部分的能量丢失进行补偿,提高自适应噪声相消器（Adaptive Noise Canceller,ANC）的性能。利用两通道信号对先验信干比（Signal-to-Interference Ratio,SIR）进行估计,从而控制ANC自适应滤波权系数进行更新,消除语音通道信号中残留噪声。实验结果表明,提出的算法可以有效地克服方向性噪声并减少语音信号的失真,语音质量客观评估及降噪效果都优于参考算法。
王帅,向建军,彭芳,肖冰松[3]（2021）在《一种新的最速下降算法在自适应噪声对消中的应用》文中认为自适应噪声对消在很多领域有着重要应用。为了进行自适应噪声对消,提出了一种新的最速下降算法。该算法主要原理是对多元二次函数进行降维处理,使其变成一元二次函数,再应用抛物线的性质分别循环迭代地求解每一个维度上的极值。在自适应噪声对消应用中,所提算法与传统的自适应算法进行对比,具有收敛速度快,滤波效果好,滤波效果可调节,抗恶劣信噪比以及急剧变化信噪比,不需选择迭代步长,适合计算机和可编程硬件实现等优点。
曹磊[4]（2020）在《基于自适应滤波的语音增强算法研究与实现》文中指出语音通信是工业现场生产调度中广泛采用的通信形式,但语音信号易受到工业现场环境噪声的干扰,严重影响了语音信号的清晰度和可懂度。为了获得较为纯净的语音信号,可以采用语音增强技术对含噪语音信号进行降噪。基于自适应滤波的语音增强算法是语音增强中的一种重要算法,该类算法利用最佳滤波准则对滤波器权向量进行调整,以期获得纯净的语音信号,提高语音质量。本文的算法实现基于横向FIR滤波器结构,分别针对两种不同的噪声类型对相关的自适应滤波算法进行改进,并将改进的算法应用于语音增强。本文具体研究的内容如下:（1）针对高斯噪声信号,为了解决LMS算法收敛速度和稳态误差之间存在矛盾的问题,在现有的变步长LMS算法基础上,提出了改进的变步长LMS算法。改进的变步长LMS算法的步长因子以对数函数为基本模型,在算法初始时能够提供较大值,使得算法前期快速收敛;在算法后期提供较小值,使得算法稳态误差较小。MATLAB仿真表明,改进的算法处理后得到的语音信号相比其他两种类似算法得到的语音信号在信噪比、分段信噪比、语音可懂度和PESQ方面平均提升10%以上,提高了语音信号质量。（2）针对具有显着脉冲特性和重尾的非高斯性噪声信号,引入了Alpha稳定分布（α-stable distribution）模型,推导和分析了降噪性能较好的RLLMP算法。为了进一步提高RLLMP算法应用于语音增强中的性能,提出用拟牛顿法构建一个正定矩阵,代替矩阵求逆引理,完成算法迭代;并对RLLMP算法中区别于RLS算法的变量m（n）进行校正;提高了算法的稳定性,平均误差绝对值从10-1降到了10-2。MATLAB仿真表明,改进的算法处理后得到的语音信号相比RLLMP算法和RLS算法得到的语音信号在信噪比、分段信噪比方面平均提升20%以上;在语音可懂度和PESQ方面平均提升5%以上,提高了语音信号质量。（3）以STM32F429为核心构建了双通道自适应语音增强系统的硬件电路,编写了软件,通过Keil软件仿真功能对两种改进算法的部分功能进行验证,并在现实噪声环境中完成了整个系统的测试。实验结果表明,算法在构建的自适应语音增强系统中能够良好运行,能够有效对含噪语音信号进行降噪。
付善银[5]（2019）在《分布式拾音器阵列远场声源定位与识别技术研究》文中研究指明声预警相比雷达预警和光学预警有着功耗低和生产成本低的优点。目前的声预警技术主要是通过布置规则的拾音器阵列或不规则分布的拾音器网络来实现,其中规则布置的拾音器阵列存在抗干扰能力弱、布置灵活性差以及探测容错性低等问题,而不规则分布的拾音器网络虽然有着预警区域大、探测精度高和容错性高等优点,但是其处理算法复杂度较高且融合中心需要承担的计算压力较大。本文研究基于分布式拾音器阵列的声源定位与识别技术旨在结合规则拾音器阵列和不规则拾音器网络的优点来克服两种预警方式各自的局限性。这对于户外地势崎岖环境中声预警网的建立具有极其重要的理论指导意义,在军事侦查以及城市安防等领域有着巨大的应用前景。首先,对声源测向、声源识别以及分布式拾音器阵列数据融合定位的研究现状进行了必要的归纳与总结。其次,针对预警网络的户外地势崎岖场景设计了节点的阵列结构并分析了节点规则布设和随机抛洒各自的最优部署方式,提出了基于改进变步长LMS自适应噪声对消的节点信号预处理方法并分析了算法的收敛特性和声音去干扰效果。随后,分析了L型阵列的声音信号接收模型,介绍了针对L型阵列和声音信号的MUSIC二维测向算法,在此基础上研究了能够抑制色噪声的四阶累积量MUSIC声源二维测向算法并分析了L型阵列对声源进行二维测向的克拉美罗界。紧接着,构建了基于声源识别的节点测向数据关联系统,针对系统中的声源识别问题,提出了抑制高频成分的MFCC声源特征提取方法,在此基础上对比研究了GMM-UBM和i-vector-GPLDA两种声源识别方法的漏警和虚警性能。最后,针对节点关联后的数据融合问题构建了基于分布式多节点测向交叉的声源定位模型,并在此模型基础上介绍了基于最小二乘估计和最大似然估计的两种数据融合定位算法,提出了角度估计加权的改进最大似然估计算法并对比分析了改进算法与最小二乘估计算法的定位精度。
续娇[6]（2019）在《基于自适应波束成形的语音增强算法研究与实现》文中研究说明语音增强技术是语音信号处理中的一项核心技术,广泛应用于多媒体监控、现代通信以及人工智能系统等领域。语音增强技术大致可分为单通道语音增强、多通道语音增强和基于深度学习的语音增强三类。其中多通道的语音增强技术利用语音信号的时域和频域以及麦克风阵列的空间位置等信息对噪声有良好的抑制效果。基于自适应波束成形的语音增强算法是多通道语音增强中的一种重要算法。自适应波束成形算法利用最小均方误差等最优准则计算权值对各阵元加权,以期可以增强目标语音信号,抑制干扰和噪声。本文实现了基于最小方差无失真响应（Minimum Variance Distortionless Response,MVDR）、基于广义旁瓣抵消（Generalized Sidelobe Canceller,GSC）结构以及基于稳健的广义旁瓣抵消（RobustGSC,RGSC）结构的三种自适应波束成形算法,并对此三种算法进行改进。然后运用算法在环境嘈杂的多角度鸡尾酒会实验中进行目标人语音的提取和增强。本文具体的研究内容如下:（1）针对三类语音增强算法进行了详细分析和研究。基于麦克风阵列的近场远场模型以及自适应波束成形的基本架构,进行了语音增强算法的理论建模、软硬件实验平台搭建。提出了针对语音增强效果的主客观结合的综合指标评估模型。（2）针对最小方差无失真响应的自适应波束成形算法,本文引入了波束成形滤波器权值的实时更新自适应调整策略。传统算法的权值是根据语音信号的全部帧信息计算求得,并不能使得每帧的噪声的功率最小。改进后的MVDR权值可以根据一定帧数的语音信息进行自适应更新迭代。实验证明,改进后算法对干扰和噪声的抑制能力得到了有效的提升。（3）在传统广义旁瓣抵消算法和稳健的广义旁瓣抵消算法中,固定波束成形模块对干扰和噪声抑制能力不足。针对这一问题本文提出用权值更新的MVDR算法替代固定成形算法,并结合阻塞矩阵进行噪声的二次估计。实验证明,改进后的算法对比GSC、RobustGSC,对干扰和噪声的抑制能力更强。综上所述,本文实现了基于MVDR、GSC、RobustGSC三种架构的自适应波束成形算法。提出了对三种算法的波束成形权值进行自适应调整,并结合阻塞矩阵进行噪声的二次估计,从而实现对算法的改进。实验结果表明,改进后的算法的语音增强效果得到了有效的提升,对干扰和噪声抑制效果好。
杨蕾[7]（2019）在《麦克风阵列语音增强方法研究》文中研究说明伴随着智能设备的普及,语音通信已经成为人们生活中不可或缺的一部分。语音信号处理对语音信号的质量要求很高,然而拾取到的语音信号中带有噪声信号,使得该语音信号的清晰度与可懂性在语音系统使用环境复杂化的情况下严重下降。因此必须采用一些语音增强的方法对语音信号进行降噪处理。麦克风阵列语音增强技术可以利用空间滤波器的空间选择性对移动的目标声源进行实时跟踪,获得高品质的语音信号。本文基于麦克风阵列采用线性自适应滤波与非线性自适应滤波相结合的方法来对带噪信号进行处理,主要研究工作包括:（1）针对广义旁瓣抵消器对非线性噪声消噪能力不佳的问题,提出了一种麦克风阵列的协同自适应滤波语音增强方法。该方法用Legendre滤波器与线性滤波器组成协同滤波器来取代GSC中的阻塞矩阵,对目标信号进行同步跟踪阻塞。实验结果证明,麦克风阵列的协同自适应滤波语音增强方法既能抑制高斯噪声,同时对脉冲噪声也有不错的去除效果。（2）针对最小均方误差算法不能准确估算每一采样点的语音噪声的问题。提出了利用LMS线性自适应算法与三角扩展函数相组合,该方法对高斯噪声的去除能力强,但是对于脉冲噪声的抑制作用并不明显。当背景噪声中含有脉冲噪声时,将最小p阶均方算法替换LMS算法。实验证明,函数链接（LMP）自适应滤波能弥补函数链接（LMS）自适应滤波对脉冲噪声抑制能力上的不足。（3）针对小波变换中采用的硬阈值函数和固定阈值函数,对于不同的噪声源,消噪的效果好坏差距大的问题,提出了改进小波变换方法。该方法采用改进的阈值函数和小波熵自适应阈值来对小波系数进行处理,尽可能多的去除噪声小波系数,提高语音信号的质量。将函数链接自适应滤波方法与改进的小波变化结合,提出一种基于小波变换的麦克风阵列语音增强系统,该系统能实现在空间范围内对目标信号进行空域滤波的同时在小波域内对残留的噪声进一步降噪,从而得到增强后的语音信号。
周培[8]（2019）在《基于麦克风阵列语音增强算法的研究及TMS320C6678实现》文中认为在实际环境中,噪声总是无处不在,语音信号难免要受到各种干扰噪声的影响。这些噪声的存在不仅会对人与人之间的沟通造成影响,还会降低智能音箱、数字助听器等依赖语音输入的电子产品的性能。因此,对带噪语音信号进行增强处理不仅很有必要,而且具有广泛的应用前景。本文根据实际项目的要求,以四个麦克风组成的麦克风线阵为研究对象,研究了传统的麦克风阵列语音增强算法,并在其基础上进行改进。搭建了一个能在真实环境中使用的语音降噪样机系统,并将改进算法成功移植到该系统上,且通过测试。论文主要研究内容及研究成果如下:首先,讲述了课题的研究背景与意义,相比传统的单麦克风的语音增强方法,介绍了利用麦克风阵列进行语音增强所具有的优势。简述了麦克风阵列的应用场景以及国内外关于麦克风阵列的研究现状。其次,主要介绍了语音信号处理的一些基本知识,包括预滤波、加窗、分帧等,接着介绍了麦克风阵列处理语音信号的模型已经噪声和混响的特性,最后详细介绍了几种语音增强方法的性能指标。然后,阐述了LCMV自适应波束形成和GSC两种传统麦克风阵列语音增强方法的基本原理。针对GSC方法需要精确的时延估计这一不足,介绍了利用传输函数比率的TF-GSC方法。虽然TF-GSC方法不需要精确的时延估计,但利用传输函数比率的方法来估计固定波束形成器时,会造成较大的误差,且基于GSC结构的TF-GSC方法对非相干噪声的抑制能力较弱。因此,本文从以下两个方面进行优化。第一,在估计固定波束形成器时引入了一个比例因子K对其进行优化。仿真结果表明改进后的方法的输出分段信噪比高于之前的方法。第二,利用一种基于心理声学的后置滤波方法对其进行优化。最后仿真结果表明该后置滤波方法能够有效地消除残留噪声,进一步提高了输出分段信噪比。最后,编写了利用TCP/IP协议进行数据传输的文件传输程序,并基于此设计了利用计算机采集数据和DSP开发板完成信号处理的语音增强实验平台,并将算法移植到开发板上。测试结果表明本文改进方法在实验平台上也实现了语音增强的功能,提高输出分段信噪比。
丁杰峰[9]（2019）在《多旋翼无人机声信号自适应增强技术研究》文中研究说明随着消费级无人机的普及,多旋翼无人机因其具有机动灵活、控制简易等优点,被广泛应用于物资运输、安防、救灾等领域。然而,多旋翼无人机的迅速普及也带来了很多隐患,如窥探隐私、危害公众安全、走私贩毒的载体、泄露国家机密等。针对低空多旋翼无人机飞行器当前缺乏有效的法规限制,以及没有合适的手段对低空无人机进行监管的现状,同时,由于声学检测以被动阵列声探测为基础,具有原理简单、成本低、易于实现等特点,本文研究了一种多旋翼无人机声信号自适应增强技术,为后续进一步的检测与侦察多旋翼无人机声信号提供解决方案,具有较好的理论意义以及很高的实际应用价值。本文首先对多旋翼无人机声信号与常见噪声干扰进行分析对比,得到多旋翼无人机声信号的频域特征。在此基础上,设计了本文的自适应增强处理框架与评价指标。首先对单个通道的多旋翼无人机声信号进行自适应线谱增强处理,并利用基于双门限法的线谱检测方法,检测出线谱的位置与频率并进行标定,存在线谱的数据被保留,进行下一步的处理。继而,本文使用基于到达时间差（TDOA）的声源方向估计算法,利用归一化最小均方算法（NLMS）求得通道间的到达时间差,进而利用几何方法计算出声源目标的方位信息。得到方位信息后,利用ISODATA聚类分析算法对声源方位信息进行聚类分析,对每帧的声源类型进行预测与标记。根据标记结果,对多旋翼无人机声信号进行自适应干扰对消,最终得到比较理想的增强效果。仿真实验以及相关外场实测数据实验分析结果表明,本文所使用的多旋翼无人机声信号自适应增强算法具有良好的性能,为增强多旋翼无人机声信号提供了一种便捷有效的手段。
王洪源,高冰钰,杨竹[10]（2018）在《模拟训练系统中声音交互背景音乐对消技术研究》文中指出采用Unity3D游戏引擎设计了一个模拟训练场景,用线阵麦克风阵列对现场声音进行采集,利用声音时差法对参加模拟训练人员的位置进行定位,由于采集时场景背景音乐对方向定位影响很大,研究了去除背景音乐的FFT对消技术。对自适应背景音乐对消技术做了详细的研究实验,给出了双声道自适应对消原理和算法,最后将定位数据导入到Unity系统中。结果表明,可以有效消除背景音乐对声音定位的影响。
二、语音增强中自适应噪声对消技术研究（论文开题报告）
（1）论文研究背景及目的
此处内容要求：
首先简单简介论文所研究问题的基本概念和背景，再而简单明了地指出论文所要研究解决的具体问题，并提出你的论文准备的观点或解决方法。
写法范例：
本文主要提出一款精简64位RISC处理器存储管理单元结构并详细分析其设计过程。在该MMU结构中,TLB采用叁个分离的TLB,TLB采用基于内容查找的相联存储器并行查找,支持粗粒度为64KB和细粒度为4KB两种页面大小,采用多级分层页表结构映射地址空间,并详细论述了四级页表转换过程,TLB结构组织等。该MMU结构将作为该处理器存储系统实现的一个重要组成部分。
（2）本文研究方法
调查法：该方法是有目的、有系统的搜集有关研究对象的具体信息。
观察法：用自己的感官和辅助工具直接观察研究对象从而得到有关信息。
实验法：通过主支变革、控制研究对象来发现与确认事物间的因果关系。
文献研究法：通过调查文献来获得资料，从而全面的、正确的了解掌握研究方法。
实证研究法：依据现有的科学理论和实践的需要提出设计。
定性分析法：对研究对象进行“质”的方面的研究，这个方法需要计算的数据较少。
定量分析法：通过具体的数字，使人们对研究对象的认识进一步精确化。
跨学科研究法：运用多学科的理论、方法和成果从整体上对某一课题进行研究。
功能分析法：这是社会科学用来分析社会现象的一种方法，从某一功能出发研究多个方面的影响。
模拟法：通过创设一个与原型相似的模型来间接研究原型某种特性的一种形容方法。
三、语音增强中自适应噪声对消技术研究（论文提纲范文）
（1）基于GSC结构的麦克风阵列语音增强技术研究（论文提纲范文）
| 摘要 |
| Abstract |
| 符号及缩写含义清单 |
| 第一章 绪论 |
| 1.1 研究背景和意义 |
| 1.2 语音增强相关技术及领域发展现状 |
| 1.2.1 单通道语音增强发展现状 |
| 1.2.2 麦克风阵列语音增强算法研究现状 |
| 1.3 本文的主要研究内容 |
| 第二章 麦克风阵列语音增强基础 |
| 2.1 语音信号分析基础 |
| 2.1.1 语音信号特性 |
| 2.1.2 语音信号处理方法 |
| 2.1.3 噪声特性及分类 |
| 2.2 麦克风阵列理论基础 |
| 2.2.1 麦克风阵列拓扑结构 |
| 2.2.2 麦克风阵列信号模型 |
| 2.3 语音增强算法的评价标准 |
| 2.3.1 时域失真测度 |
| 2.3.2 感知语音质量 |
| 2.4 本章小结 |
| 第三章 麦克风阵列语音增强算法介绍和分析 |
| 3.1 固定波束形成算法 |
| 3.2 GSC波束形成算法 |
| 3.3 基于后置滤波的GSC算法 |
| 3.4 仿真实验分析 |
| 3.4.1 简单声学环境 |
| 3.4.2 复杂声学环境 |
| 3.5 本章小结 |
| 第四章 基于谱减法改进的GSC语音增强算法 |
| 4.1 GSC改进算法 |
| 4.2 改进的谱减法 |
| 4.3 仿真实验分析 |
| 4.3.1 仿真环境配置 |
| 4.3.2 分段信噪比分析 |
| 4.3.3 PESQ值分析 |
| 4.3.4 语谱图分析 |
| 4.4 本章小结 |
| 第五章 基于Kalman滤波改进的GSC语音增强算法 |
| 5.1 基于Kalman滤波的语音增强方法 |
| 5.1.1 语音信号的全极点模型 |
| 5.1.2 基于Kalman滤波的语音增强 |
| 5.2 仿真结果分析 |
| 5.2.1 仿真环境建立 |
| 5.2.2 PESQ分析 |
| 5.2.3 分段信噪比分析 |
| 5.2.4 语谱图分析 |
| 5.3 本章小结 |
| 第六章 基于DNN改进的GSC语音增强算法 |
| 6.1 基于GSC-DNN的语音增强算法 |
| 6.1.1 特征提取 |
| 6.1.2 多目标DNN |
| 6.1.3 语音重构 |
| 6.1.4 基于GSC-DNN的语音增强 |
| 6.2 实验结果分析 |
| 6.2.1 仿真环境 |
| 6.2.2 分段信噪比分析 |
| 6.2.3 PESQ分析 |
| 6.2.4 语谱图分析 |
| 6.3 本章小结 |
| 第七章 结论与展望 |
| 7.1 论文总结 |
| 7.2 未来展望 |
| 参考文献 |
| 作者简介 |
（2）基于差分麦克风阵列的双通道语音增强技术研究（论文提纲范文）
| 摘要 |
| Abstract |
| 第一章 绪论 |
| 1.1 课题研究背景及意义 |
| 1.2 国内外研究现状 |
| 1.3 本文主要研究内容及结构安排 |
| 第二章 语音增强基础算法及比较 |
| 2.1 语音信号预处理 |
| 2.1.1 预加重 |
| 2.1.2 分帧加窗 |
| 2.2 单通道语音增强算法 |
| 2.2.1 谱减法 |
| 2.2.2 维纳滤波法 |
| 2.2.3 最小均方误差估计法 |
| 2.3 多通道语音增强算法 |
| 2.3.1 固定波束形成 |
| 2.3.2 自适应波束形成 |
| 2.4 语音增强常用性能指标 |
| 2.4.1 主观评价指标 |
| 2.4.2 客观评价指标 |
| 2.5 仿真实验与分析 |
| 2.6 本章小结 |
| 第三章 差分麦克风阵列 |
| 3.1 引言 |
| 3.2 差分麦克风阵列 |
| 3.2.1 麦克风阵列近场与远场模型 |
| 3.2.2 差分麦克风阵列建模 |
| 3.3 一阶差分麦克风阵列 |
| 3.3.1 双通道信号模型 |
| 3.3.2 一阶心形差分麦克风阵列 |
| 3.4 实验仿真和分析 |
| 3.5 本章小结 |
| 第四章 基于差分麦克风阵列的变步长LMS语音增强算法 |
| 4.1 背对背一阶心形差分麦克风阵列 |
| 4.2 FDM-SS算法 |
| 4.3 结合变步长LMS的双通道语音增强算法 |
| 4.4 仿真实验 |
| 4.4.1 实验环境设置 |
| 4.4.2 仿真结果分析 |
| 4.5 本章小结 |
| 第五章 基于差分麦克风阵列的改进GSC语音增强算法 |
| 5.1 GSC自适应滤波算法 |
| 5.2 结合改进GSC的双通道语音增强算法 |
| 5.3 仿真实验 |
| 5.3.1 实验环境设置 |
| 5.3.2 仿真结果分析 |
| 5.4 本章小结 |
| 第六章 总结与展望 |
| 6.1 本文工作总结 |
| 6.2 后续研究展望 |
| 参考文献 |
| 致谢 |
| 攻读学位期间的研究成果 |
（3）一种新的最速下降算法在自适应噪声对消中的应用（论文提纲范文）
| 1 传统的自适应算法 |
| 2 改进算法原理 |
| 2.1 数学推导 |
| 2.2基于新的最速下降算法的自适应滤波器原理 |
| 3 仿真分析 |
| 3.1 时域波形图仿真 |
| 3.2 收敛速度仿真分析 |
| 3.3 滤波效果仿真分析 |
| 4 在实际信号噪声对消中的应用 |
| 4.1 噪声对消后的时频输出 |
| 4.2 算法性能的定量分析 |
| 5 结 束 语 |
（4）基于自适应滤波的语音增强算法研究与实现（论文提纲范文）
| 摘要 |
| abstract |
| 第一章 绪论 |
| 1.1 自适应语音增强的研究背景及意义 |
| 1.2 国内外研究现状 |
| 1.2.1 自适应语音增强的研究现状 |
| 1.2.2 自适应滤波算法的研究现状 |
| 1.3 本文主要研究内容 |
| 第二章 自适应语音增强的基本理论 |
| 2.1 语音增强的基本知识 |
| 2.1.1 语音特性 |
| 2.1.2 人耳感知特性 |
| 2.1.3 噪声特性 |
| 2.2 语音增强的评价方法 |
| 2.2.1 主观评价方法 |
| 2.2.2 客观评价方法 |
| 2.3 自适应滤波器的原理与结构 |
| 2.4 自适应滤波器的最佳滤波准则 |
| 2.4.1 最小均方误差准则 |
| 2.4.2 最小二乘准则 |
| 2.5 自适应滤波器在语音增强中的应用 |
| 2.6 本章小结 |
| 第三章 变步长LMS算法的优化研究 |
| 3.1 LMS算法 |
| 3.1.1 算法推导 |
| 3.1.2 算法分析 |
| 3.2 变步长LMS算法及改进 |
| 3.2.1 基于sigmoid函数的变步长LMS算法 |
| 3.2.2 基于其他形式函数的变步长LMS算法 |
| 3.2.3 改进的变步长LMS算法 |
| 3.3 仿真实验 |
| 3.3.1 算法收敛性能实验仿真 |
| 3.3.2 语音增强实验仿真 |
| 3.4 本章小结 |
| 第四章 递归对数最小均方p范数算法的优化研究 |
| 4.1 Alpha稳定分布信号 |
| 4.2 递归对数最小均方p范数算法 |
| 4.2.1 算法推导 |
| 4.2.2 算法分析 |
| 4.3 改进的递归对数最小均方p范数算法 |
| 4.4 仿真分析 |
| 4.4.1 算法收敛性能实验仿真 |
| 4.4.2 语音增强实验仿真 |
| 4.5 本章小结 |
| 第五章 自适应语音增强系统的设计与实现 |
| 5.1 自适应语音增强系统的总体设计 |
| 5.2 语音增强系统的硬件设计 |
| 5.2.1 STM32F429的基本功能 |
| 5.2.2 语音编解码电路设计 |
| 5.2.3 SD卡电路设计 |
| 5.3 语音增强系统的软件设计 |
| 5.3.1 软件开发环境介绍 |
| 5.3.2 主程序设计 |
| 5.3.3 编解码控制子程序设计 |
| 5.3.4 语音信号传输子程序设计 |
| 5.3.5 基于Keil软件仿真模式算法实现 |
| 5.4 系统调试 |
| 5.4.1 系统硬件调试 |
| 5.4.2 系统软件调试 |
| 5.4.3 系统总体调试 |
| 5.5 语音信号降噪调试 |
| 5.6 本章小结 |
| 第六章 总结与展望 |
| 参考文献 |
| 硕士期间发表论文和参加科研情况 |
| 致谢 |
（5）分布式拾音器阵列远场声源定位与识别技术研究（论文提纲范文）
| 摘要 |
| ABSTRACT |
| 第1章 绪论 |
| 1.1 课题背景及研究目的和意义 |
| 1.2 国内外研究现状 |
| 1.2.1 拾音器阵列声源测向技术研究现状 |
| 1.2.2 声源识别技术研究现状 |
| 1.2.3 分布式拾音器阵列定位技术研究现状 |
| 1.3 主要研究内容 |
| 第2章 节点阵列结构与部署方式及其信号预处理 |
| 2.1 引言 |
| 2.2 节点拾音器阵列结构 |
| 2.3 节点部署方式 |
| 2.4 节点信号预处理 |
| 2.4.1 节点自适应噪声对消系统 |
| 2.4.2 改进变步长LMS算法 |
| 2.4.3 实验结果及分析 |
| 2.5 本章小结 |
| 第3章 基于L型阵列的单节点声源测向算法 |
| 3.1 引言 |
| 3.2 L型阵列的声音信号接收模型 |
| 3.3 L型阵列的MUSIC声源二维测向算法 |
| 3.4 L型阵列的四阶累积量MUSIC声源二维测向算法 |
| 3.5 L型阵列声源二维测向的克拉美罗界 |
| 3.6 实验结果及分析 |
| 3.7 本章小结 |
| 第4章 基于声源识别的节点数据关联 |
| 4.1 引言 |
| 4.2 基于声源识别的节点测向数据关联系统 |
| 4.3 高频抑制的MFCC特征提取方法 |
| 4.4 基于GMM-UBM的声源识别算法 |
| 4.4.1 GMM模型 |
| 4.4.2 UBM模型 |
| 4.4.3 声音打分识别 |
| 4.5 基于i-vector-GPLDA的声源识别算法 |
| 4.5.1 i-vector提取 |
| 4.5.2 声源信道补偿 |
| 4.5.3 GPLDA打分 |
| 4.5.4 打分融合 |
| 4.6 实验结果与分析 |
| 4.7 本章小结 |
| 第5章 基于节点测向数据融合的声源定位方法 |
| 5.1 引言 |
| 5.2 基于多节点测向交叉的声源定位模型 |
| 5.3 声源定位的最小二乘估计 |
| 5.4 声源定位的最大似然估计 |
| 5.5 声源定位的改进最大似然估计 |
| 5.6 实验结果及分析 |
| 5.7 本章小结 |
| 结论 |
| 参考文献 |
| 攻读硕士学位期间发表的论文及其它成果 |
| 致谢 |
（6）基于自适应波束成形的语音增强算法研究与实现（论文提纲范文）
| 致谢 |
| 摘要 |
| ABSTRACT |
| 1 引言 |
| 1.1 研究背景及意义 |
| 1.2 国内外研究现状 |
| 1.2.1 语音增强发展现状 |
| 1.2.2 自适应波束成形算法研究现状 |
| 1.3 论文主要研究内容与结构安排 |
| 2 语音增强基础理论 |
| 2.1 语音增强算法分类 |
| 2.1.1 单通道语音增强 |
| 2.1.2 多通道语音增强 |
| 2.1.3 基于深度学习的语音增强 |
| 2.2 麦克风阵列近场与远场理论模型 |
| 2.3 窄带波束成形理论基础 |
| 2.4 宽带波束成形理论基础 |
| 2.5 语音增强性能指标评价 |
| 2.5.1 主观评价指标 |
| 2.5.2 客观评价指标 |
| 2.6 实验数据采集处理与算法实现流程 |
| 2.6.1 基于大孔径麦克风阵列的数据采集软硬件平台 |
| 2.6.2 基于小型麦克风阵列的数据采集平台 |
| 2.6.3 实验数据处理 |
| 2.6.4 算法仿真实现流程概述 |
| 2.7 本章小结 |
| 3 基于最小方差无失真响应的波束成形算法 |
| 3.1 窄带最小方差无失真响应 |
| 3.1.1 窄带最小方差无失真响应基本原理 |
| 3.1.2 仿真结果 |
| 3.2 宽带最小方差无失真响应 |
| 3.3 权值更新的宽带MVDR自适应算法 |
| 3.4 仿真实验结果与分析 |
| 3.4.1 MVDR权值更新参数选择 |
| 3.4.2 语音质量评估 |
| 3.5 本章小结 |
| 4 基于广义旁瓣抵消结构的自适应波束成形算法 |
| 4.1 传统GSC结构的原理 |
| 4.2 传统GSC结构的改进 |
| 4.3 稳健的GSC结构 |
| 4.3.1 自适应噪声抵消原理 |
| 4.3.2 稳健的GSC结构原理 |
| 4.4 稳健的GSC结构的改进 |
| 4.5 仿真实验结果与分析 |
| 4.6 本章小结 |
| 5 总结与展望 |
| 5.1 总结 |
| 5.2 展望 |
| 参考文献 |
| 作者简历及攻读硕士/博士学位期间取得的研究成果 |
| 学位论文数据集 |
（7）麦克风阵列语音增强方法研究（论文提纲范文）
| 摘要 |
| Abstract |
| 第一章 绪论 |
| 1.1 研究背景及意义 |
| 1.2 国内外相关领域的研究现状 |
| 1.3 本文主要研究内容 |
| 第二章 麦克风阵列语音增强的基本知识及方法 |
| 2.1 语音信号的主要特性 |
| 2.1.1 语音特性 |
| 2.1.2 噪声的特点 |
| 2.1.3 人耳感知特性 |
| 2.2 麦克风阵列拓扑结构 |
| 2.4 麦克风阵列语音增强的基本方法 |
| 2.4.1 固定波束形成 |
| 2.4.2 自适应波束形成 |
| 2.4.3 后置滤波算法 |
| 2.4.4 基于信号子空间的增强算法 |
| 2.4.5 基于人耳掩蔽的增强算法 |
| 2.4.6 算法比较 |
| 2.5 语音质量的评价标准 |
| 2.5.1 主观评价方法 |
| 2.5.2 客观评价方法 |
| 2.6 本章小结 |
| 第三章 自适应滤波基本理论与算法 |
| 3.1 引言 |
| 3.2 自适应滤波的基本理论 |
| 3.3 自适应滤波算法 |
| 3.3.1 线性自适应滤波算法 |
| 3.3.2 非线性自适应滤波算法 |
| 3.4 本章小结 |
| 第四章 麦克风阵列的协同自适应滤波语音增强方法研究 |
| 4.1 引言 |
| 4.2 麦克风阵列的协同自适应滤波语音增强方法 |
| 4.3 实验仿真与分析 |
| 4.4 本章小结 |
| 第五章 函数链接自适应滤波语音增强方法研究 |
| 5.1 引言 |
| 5.2 函数链接自适应滤波语音增强方法 |
| 5.3 实验仿真与分析 |
| 5.4 本章小结 |
| 第六章 基于小波变换的麦克风阵列语音增强方法研究 |
| 6.1 引言 |
| 6.2 小波去噪原理 |
| 6.3 小波阈值去噪法 |
| 6.3.1 小波基选取 |
| 6.3.2 小波分解层数选取 |
| 6.3.3 小波熵 |
| 6.3.4 自适应阈值 |
| 6.3.5 小波熵自适应阈值函数 |
| 6.4 基于小波变换的麦克风阵列语音增强方法 |
| 6.5 实验仿真与分析 |
| 6.6 本章小结 |
| 第七章 总结与展望 |
| 7.1 总结 |
| 7.2 展望 |
| 参考文献 |
| 致谢 |
| 攻读硕士期间发表的论文 |
（8）基于麦克风阵列语音增强算法的研究及TMS320C6678实现（论文提纲范文）
| 摘要 |
| Abstract |
| 第1章 绪论 |
| 1.1 课题背景与意义 |
| 1.2 国内外研究现状 |
| 1.3 课题来源 |
| 1.4 本文的主要研究内容 |
| 第2章 麦克风阵列语音增强研究的基础知识 |
| 2.1 语音信号处理的基础理论 |
| 2.1.1 语音信号预滤波 |
| 2.1.2 语音信号预加重 |
| 2.1.3 语音信号加窗和分帧处理 |
| 2.2 麦克风阵列语音信号处理模型 |
| 2.2.1 阵列接收模型 |
| 2.2.2 语音信号的近场模型和远场模型 |
| 2.3 噪声的特性及噪声场 |
| 2.3.1 噪声的特性 |
| 2.3.2 加性噪声的语音带噪信号模型 |
| 2.3.3 噪声场 |
| 2.4 混响的特性 |
| 2.5 语音增强算法的性能评估 |
| 2.5.1 主观评价标准 |
| 2.5.2 客观评价标准 |
| 2.5.3 主客观评价标准的相关性 |
| 2.6 本章小结 |
| 第3章 麦克风阵列语音增强算法的研究 |
| 3.1 LCMV方法 |
| 3.2 GSC方法 |
| 3.3 TF-GSC方法 |
| 3.4 改进的TF-GSC算法及其优化方法 |
| 3.4.1 改进的TF-GSC算法 |
| 3.4.2 基于后置滤波的优化方法 |
| 3.5 仿真分析 |
| 3.6 本章小结 |
| 第4章 基于TCP/IP协议的文件传输软件设计 |
| 4.1 TCP/IP运输层协议概述 |
| 4.1.1 运输层的端口(Port) |
| 4.1.2 用户数据报协议(UDP) |
| 4.1.3 传输控制协议(TCP) |
| 4.1.4 Socket通信 |
| 4.2 文件传输程序设计 |
| 4.2.1 客户端程序 |
| 4.2.2 服务器端程序 |
| 4.3 计算机与DSP的数据通信过程 |
| 4.4 文件传输程序性能测试 |
| 4.5 本章小结 |
| 第5章 语音增强实验平台的搭建及测试结果 |
| 5.1 语音增强实验平台的结构框图 |
| 5.2 实验平台测试结果 |
| 5.3 本章小结 |
| 总结与展望 |
| 参考文献 |
| 致谢 |
| 附录 A(攻读硕士学位期间参加的科研项目) |
| 附录 B(部分程序代码) |
（9）多旋翼无人机声信号自适应增强技术研究（论文提纲范文）
| 摘要 |
| Abstract |
| 1 绪论 |
| 1.1 研究背景与意义 |
| 1.2 国内外研究现状 |
| 1.3 论文工作与安排 |
| 2 多旋翼无人机声信号增强方案研究 |
| 2.1 多旋翼无人机声信号分析 |
| 2.2 环境噪声干扰信号分析 |
| 2.3 多旋翼无人机声信号增强处理流程 |
| 2.3.1 方案分析与指标要求 |
| 2.3.2 系统处理框架设计 |
| 2.4 外场数据采集 |
| 2.5 本章小结 |
| 3 多旋翼无人机声信号增强预处理 |
| 3.1 预处理与后置处理 |
| 3.1.1 预加重处理 |
| 3.1.2 多级背景均衡 |
| 3.2 自适应线谱增强处理 |
| 3.2.1 自适应信号处理的一般原理 |
| 3.2.2 自适应线谱增强 |
| 3.3 线谱检测 |
| 3.3.1 线谱检测方法 |
| 3.3.2 双门限法 |
| 3.4 实测数据仿真分析 |
| 3.4.1 原始信号 |
| 3.4.2 预加重 |
| 3.4.3 自适应线谱增强 |
| 3.4.4 多级背景均衡 |
| 3.4.5 线谱双门限检测 |
| 3.4.6 线谱增强与检测结果 |
| 3.5 本章小结 |
| 4 基于麦克风阵列的多旋翼无人机方向估计 |
| 4.1 常用声源测向方法 |
| 4.2 自适应时延估计 |
| 4.2.1 NLMS算法 |
| 4.2.2 自适应时延估计原理 |
| 4.3 声源测向与声源判断 |
| 4.3.1 方向估计 |
| 4.3.2 多声源统计 |
| 4.4 实测数据仿真分析 |
| 4.4.1 自适应时延估计 |
| 4.4.2 声源测向结果分析 |
| 4.4.3 声源判断结果分析 |
| 4.5 本章小结 |
| 5 基于自适应干扰对消的多旋翼无人机声信号增强 |
| 5.1 自适应干扰对消原理 |
| 5.1.1 波束形成理论基础 |
| 5.1.2 广义旁瓣对消器原理 |
| 5.2 多旋翼无人机声信号增强方法 |
| 5.3 多旋翼无人机声信号自适应增强结果 |
| 5.4 本章小结 |
| 6 总结与展望 |
| 6.1 工作总结 |
| 6.2 展望 |
| 致谢 |
| 参考文献 |
| 附录 |
（10）模拟训练系统中声音交互背景音乐对消技术研究（论文提纲范文）
| 1 自适应背景音乐对消 |
| 2 算法实验及应用系统测试 |
四、语音增强中自适应噪声对消技术研究（论文参考文献）
- [1]基于GSC结构的麦克风阵列语音增强技术研究[D]. 刘力玮. 南京信息工程大学, 2021(01)
- [2]基于差分麦克风阵列的双通道语音增强技术研究[D]. 周滨. 江西理工大学, 2021(01)
- [3]一种新的最速下降算法在自适应噪声对消中的应用[J]. 王帅,向建军,彭芳,肖冰松. 北京航空航天大学学报, 2021(07)
- [4]基于自适应滤波的语音增强算法研究与实现[D]. 曹磊. 天津工业大学, 2020(02)
- [5]分布式拾音器阵列远场声源定位与识别技术研究[D]. 付善银. 哈尔滨工业大学, 2019(01)
- [6]基于自适应波束成形的语音增强算法研究与实现[D]. 续娇. 北京交通大学, 2019(01)
- [7]麦克风阵列语音增强方法研究[D]. 杨蕾. 南京信息工程大学, 2019(04)
- [8]基于麦克风阵列语音增强算法的研究及TMS320C6678实现[D]. 周培. 湖南大学, 2019(07)
- [9]多旋翼无人机声信号自适应增强技术研究[D]. 丁杰峰. 南京理工大学, 2019(06)
- [10]模拟训练系统中声音交互背景音乐对消技术研究[J]. 王洪源,高冰钰,杨竹. 科技创新导报, 2018(17)