子空间报告.pptVIP

语音增强 方法有：基于参数和模型的方法 ，子空间的方法，谱减法，短时谱幅度的最小均方误差(MMSE)估计法，小波变换。 子空间语音增强算法的发展现状 子空间算法最早由Dendrinos于1991年应用到语音增强算法中，该算法首先利用带噪语音数据构造具有Toeplitz结构的矩阵，并运用SVD算法，根据最小二乘估计准则，忽略较小的奇异值，然后降维处理后的数据按照Toeplitz矩阵恢复出语音信号。这种方法只能处理白噪声的情况，并且算法性能的好坏受所保留的奇异值个数影响较大。 1995年，Ephraim和Van Trees则是利用对带噪语音信号的协方差矩阵的EVD分解来增强语音信号，创造性地将增强后的语音信号估计误差分为语音失真和残余噪声两部分，并说明了二者之间是相互制约的关系，给出了一种折中的算法，在白噪声的环境下得到了最优线性估计器的形式，并建议采用欲白化的方法将估计器推广到有色噪声的环境中 Jensen随后将基于SVD的算法推广到有色噪声环境下，利用商奇异值分解算法，将对噪声信号的白化作为子空间算法的一部分，并采用最小方差准则估计语音信号子空间，实验证明这种算法的性能与所保留奇异值个数关系不大。随后Hansen等人提出基于ULV分解算法的子空间语音增强算法，与SVD,QVSD相比，该算法在数值上更稳定，计算复杂度更小。 为了更好地处理有色噪声的情况，Mittal提出了一种基于信号，噪声处理的KLT方法，虽然增强后噪声较小，但帧与帧之间残余噪声能量的非稳态性让人难以接受。Rezayee和Gazor假设语音信号的特征向量可以近似地使有色噪声的协方差矩阵对交化，提出了一种自适应的KLT方法，但这种方法不是最优的方法。Yi Hu等人则利用广义特征值分解（GEVD）算法给出了一种最优的估计.于此同时，Ephraim等人对白噪声和有色噪声环境下子空间语音增强算法的统一形式进行了讨论。 上面的算法都是假设噪声协方差矩阵满足满秩的条件，但对于宽带噪声或音调噪声的协方差矩阵不再满足满秩的条件，算法将不再适应。针对上诉问题，Hansen P C等人提出了一种基于QSVD和ULV分解的降秩噪声白化的子空间语音增强算法，但无法控制残余噪声音量。ZhangW等人在人工作的基础上提出了一种窄带噪声下的子空间语音增强算法。 子空间 高斯白噪声和有色噪声两种情况 基于奇异值分解（SVD）的语音增强算法 基于SVD的最优估计 有色噪声下算法的改进 广义奇异值分解算法（QSVD） ULV分解算法 与SVD算法和QSVD算法相比，该算法在数值上更稳定，计算复杂度更小 基于特征值分解的语音增强算法 基于特征值分解的语音增强算法，其实质是基于对信号协方差矩阵的特征值分解（EVD）的方法。与基于时域的幅度信息的SVD方法不同，该方法是对观测信号二阶统计信息处理的。在白噪声环境下，该算法等效于KL变换的语音增强。 时域约束估计器(TDC) 频域约束估计器（SDC） 频域约束估计器的核心思想是控制残余噪声能量在空间的分布满足一定条件的前提下，信号失真能量最小。 基于SVD和EVD语音增强算法的关系 基于广义特征值（GEVD）算法的改进 基于人耳听觉掩蔽效应的语音增强算法 * *