在實(shí)際環(huán)境中,語(yǔ)音信號(hào)在聲電轉(zhuǎn)換時(shí)不可避免地要受到周圍環(huán)境的影響,高背景噪聲會(huì)嚴(yán)重地影響語(yǔ)音信號(hào)質(zhì)量。語(yǔ)音通信系統(tǒng)中的一個(gè)重要工作就是從帶噪語(yǔ)音信號(hào)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(yīng)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(yīng)濾波能在輸入信號(hào)與噪聲的統(tǒng)計(jì)特性未知或變化的情況下,自動(dòng)估計(jì)出所需的統(tǒng)計(jì)特性,并以此為依據(jù)自動(dòng)調(diào)整濾波參數(shù),以達(dá)到最佳的濾波效果。
傳統(tǒng)的自適應(yīng)噪聲抵消法多采用雙聲道(多聲道)系統(tǒng),以得到一個(gè)或多個(gè)參考噪聲作為輔助輸入,這勢(shì)必造成系統(tǒng)結(jié)構(gòu)復(fù)雜等一系列問(wèn)題。所以本文選取原始輸入的延時(shí)信號(hào)作為參考噪聲輸入的單聲道系統(tǒng),構(gòu)建基于線性預(yù)測(cè)的自適應(yīng)語(yǔ)音濾波器,并對(duì)LMS算法作出改進(jìn),被噪聲污染的語(yǔ)音信號(hào)通過(guò)該濾波器濾波,噪聲得到有效抑制,顯著提高了信噪比。
1 原 理
基于線性預(yù)測(cè)的FIR自適應(yīng)語(yǔ)音濾波器的系統(tǒng)結(jié)構(gòu)形式如圖1所示。
在自適應(yīng)語(yǔ)音濾波器的計(jì)算中,本文采用LMS算法,μ的選取參考文獻(xiàn)中介紹的計(jì)算公式,即:
μ=1/(10×L×Px)
式中:L為線性預(yù)測(cè)階數(shù),即自適應(yīng)FIR濾波器的長(zhǎng)度;Px為輸入信號(hào)功率。
μ計(jì)算公式的穩(wěn)定性保險(xiǎn)系數(shù)比較大,而且自適應(yīng)語(yǔ)音濾波器又主要工作在強(qiáng)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(tǒng)是利用了信號(hào)的相關(guān)性和噪聲的不相關(guān)性,使原始信號(hào)中的相關(guān)部分得到加強(qiáng),而不相關(guān)部分得到削弱,從而提取出有用的信號(hào),所以信號(hào)的相關(guān)性和噪聲的不相關(guān)性對(duì)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?yàn)樾盘?hào)在不同時(shí)刻的相關(guān)性不同,t時(shí)刻的信號(hào)s0和t+τ時(shí)刻的信號(hào)s1相關(guān)性越強(qiáng),則信號(hào)越容易從噪聲中提取出來(lái)。
以采樣周期T對(duì)語(yǔ)音波形進(jìn)行采樣,得到語(yǔ)音信號(hào)5(k)(k=0,1,2,…)。當(dāng)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)的線性組合近似表示為:
通常情況下,語(yǔ)音信號(hào)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(hào)xk可以表示為xk=sk+nk。雖然語(yǔ)音信號(hào)受到寬帶噪聲的影響,但在一定程度上,實(shí)際信號(hào)仍然保存著語(yǔ)音信號(hào)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線性預(yù)測(cè)的近似值。
系數(shù)權(quán)向量Ak通過(guò)均方誤差性能函數(shù)測(cè)度法調(diào)節(jié),使得:
為最小。由于寬帶噪聲與語(yǔ)音信號(hào)不相關(guān),且寬帶噪聲在不同時(shí)刻的自相關(guān)系數(shù)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(shù),必然存在全局最佳點(diǎn)。當(dāng)Ak=Akopt時(shí),ε(Ak)達(dá)到最小,則
也達(dá)到最小,因此
,最逼近Sk值。
一般梯度估值的自適應(yīng)算法要從統(tǒng)計(jì)樣本中進(jìn)行估計(jì)。實(shí)時(shí)情況難以實(shí)現(xiàn)梯度估值計(jì)算。LMS算法是直接利用單次采樣數(shù)據(jù)|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(jì)算。
2 算法改進(jìn)
LMS算法的計(jì)算復(fù)雜度主要來(lái)自于在進(jìn)行系數(shù)更新時(shí)執(zhí)行的乘法運(yùn)算,以及對(duì)自適應(yīng)濾波器輸出的計(jì)算。在需要自適應(yīng)濾波器高速工作的應(yīng)用中,如語(yǔ)音降噪,使硬件的復(fù)雜度最小是很重要的。同時(shí),噪聲種類的多樣性導(dǎo)致語(yǔ)音降噪的復(fù)雜性,這對(duì)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(dá)到更好的降噪效果,結(jié)合基于線性預(yù)測(cè)的FIR自適應(yīng)濾波器的特點(diǎn),本文對(duì)LMS算法作出改進(jìn):
式中:sgn[·]為符號(hào)函數(shù),參數(shù)α和β是2的冪,是用來(lái)修正系數(shù)向量的,當(dāng)α>1,增大系數(shù)向量的調(diào)整;當(dāng)α<1,則減小系數(shù)向量的調(diào)整;β的作用同α,如何選擇要視輸入信號(hào)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(shù)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(shù)變化范圍之內(nèi),這有助于自適應(yīng)濾波器的性能穩(wěn)定,縮短收斂時(shí)間。由于參數(shù)α和β是2的冪,則系數(shù)的更新可以利用簡(jiǎn)單的乘法來(lái)實(shí)現(xiàn),基本上是由比特移位和相加運(yùn)算組成的,降低了LMS算法的計(jì)算復(fù)雜度。
算法的程序流程圖如圖2所示。