陈建明 杨 龙

(装甲兵工程学院信息工程系 北京 100072)

基于总体平均经验模态分解的语音增强算法研究

陈建明 杨 龙

(装甲兵工程学院信息工程系 北京 100072)

总体平均经验模态分解EEMD(Ensemble Empirical Mode Decomposition)虽然能够在一定程度上抑制模态混淆，但添加的白噪声不能被完全中和，对所有本征模态函数IMF(Intrinsic Mode Function)分量进行集成平均等增加了计算工作量。基于EEMD和结合小波阈值去噪思想，提出改进的EEMD方法。首先对原始信号进行EEMD分解，得到一系列IMF分量；其次对筛选后的每个IMF计算噪声强度；然后采用小波启发式阈值估计噪声并计算阈值；最后以软阈值的方式滤除每个IMF中噪声并重构信号还原出增强的语音。通过分析仿真信号和实测信号，结果表明：该算法对带噪语音有很好的滤波效果，与其他同类算法相比提高信噪比2～4 dB。

总体平均经验模态分解(EEMD) 小波阈值去噪 语音增强算法

0 引 言

20世纪60年代，人们对语音通信质量有了更高的要求，语音增强技术成为了研究的热点，多种语音增强算法不断涌现。从70年代开始，研究者以语音生成模型为基础，根据短时平稳性相继提出了一些常用的传统语音增强算法，如谱相减法、自适应滤波法等。之后，研究者采用统计模型来估计语音信号谱，此类算法增强效果相对较好，但是需要先验性经验和训练数据且计算量偏大，处理时间长，因此，常用于信号识别处理。80年代，小波变换理论日趋成熟，研究者将研究重心转移到更适合非平稳信号分析的小波变换上。……