文档介绍：目录
第一章绪论 1
1
1
2
2
3
第二章小波变换原理 4
4
4
4
5
7
7
9
9
10
10
12
第三章小波包变换去噪 19
19
19
20
21
结论 25
谢辞 26
参考文献 27
第一章绪论

随着3G时代的到来, 移动电话正成为人们信赖的得力助手。而移动终端最基本的功能——语音通信则还在受到环境噪声和其他语音的干扰,使通话质量受到制约。所以,语音信号在传输之前尽可能得到净化,对于提高语音通信质量是非常关键的。传统的语音降噪方法大体分为四大类:噪音对消法、谐波增强法、基于语音生成模型的增强法和基于短时谱的增强法。但由于语信号的复杂性和非平稳性, 特别是清音没有明显的时域和频域特征,非常类似于白噪音,这些传统的降噪算法还不尽人意。噪音对消法要求采集到的噪声能够足够“逼真”含噪语音中的噪声,这在实际应用中是非常困难的。谐波增强法必须精确地估计出语音信号的基音周期,这在强噪音干扰下也非易事;基于语音生成模型虽然能够大幅度地提高信噪比,但会使语音信号有不同程度的失真;基于短时谱的增强算法以短时傅立叶变换(STFT)为基础,而STFT从本质上是一种单分辨率的信号分析方法。对非平稳信号,当信号变化剧烈时,。要求有较高的时间分辨率,当信号变化平缓时要求有较高的频率分辨率。由于STFT使用固定窗宽,无法同时兼顾上述两者, 因而也很难获得较好的效果。小波变换属于时频分析方法,它具有多分辨率的特征。即在低频部分具有较高的频率分辨率和较低的时间分辨率,在高频部分具有较高的时间分辨率和较低的频率分辨率,很适合探测语音中夹带的瞬态异常变化的信号。并能展示出其成分, 因此被誉为数字显微镜。
小波变换是一种信号的时间-尺度(时间-频率)分析方法,它具有多分辨率分析(Multiresolution Analysis)的特点,而且在时频两域都具有表征信号局部特征的能力,是一种窗口大小固定不变但形状改变的时频局部化分析方法。即在低频部分具有较高的频率分辨率和较低的时间分辨率,在高频部分具有较高的时间分辨率和较低的频率分辨率,很适合于探测正常信号中夹带的瞬态反常现象并展示其成分,所以小波变换用于语音信号的去噪是近些年来比较热门的方法[1]。

在语音通讯中,当发送者处于强噪声的环境下,如:电厂、轻型飞机、装甲车辆、机制车间等地时,就会在接收端接收的语音信号中含有大量的噪声,导致听不清或者听不懂。甚至造成语音通信的中断。当存在噪声干扰时,我们接收到的是噪声和纯净语音混合在一起的信号,相对于纯净语音,含噪语音的统计特性将根据噪声源特性、噪声统计规律、噪声干扰语音的方式、噪声幅度等因素而发生变化。变化的结果使得纯净语音的特征分布原来是高斯的,现在是非高斯的,均值和方差等参数也会发生变化。总之,噪声的影响使得原来纯净语音的模型对于含噪语音来说失效,从而造成识别性能的急剧下降。因此提出了在发送端将混入语音中的噪声消除的必要性。同样,语音降噪技术是语音信号识别系统的重要组成部分,在含噪语音信号中很难提取准确的语音特征参数,大量的研究表明在识别语音信号之前,有必要进行语音降噪。

语音信号在传输和检测过程中,不同程度地受随机噪声的污染,特别是在小信号采集和测量中,噪声干扰显得尤其严重。因此,如何消除实际语音信号中的噪声, 从混有噪声的信号中提取有用信息一直是现代语音处理学科研究的焦点之一。目前主要用于语音除噪的技术有傅里叶变换、WFT 和小波变换。由于傅里叶变换采用的是恒定窗口技术,因此存在时域和频域局部化的矛盾,不利于语音信号的去噪。WFT把信号划分成许多小的时间间隔,用傅里叶变换分析每一个时间间隔, 以便确定该时间间隔存在的频率。然而通常希望它的时频窗形状是自适应变化的,即对低频信号,其窗口形状自动变得扁平;对高频信号, 其窗口自动变得瘦长, 很显然WFT对此无能为力。为了解决这一不足,20世纪80 年代,人们提出了小波理论。小波分析提供了一种自适应的时域和频域同时局部化的分析方法,无论分析