有色噪声下基于噪声约束最小均方估计的语音增强算法

语音增强是数字语音处理领域的重要内容，有色噪声环境下语音增强又是国内外研究热点和挑战课题。本项目拟通过揭示参数估计的重要性，解决有色噪声语音增强的关键问题。针对有色噪声语音生成模型的线性回归方程，提出一种噪声约束的最小均方估计方法，在理论与计算效果上证实噪声约束最小均方估计具有鲁棒性并比传统的最小均方估计具有较小均方误差；基于噪声约束的最小均方估计方法，提出有色噪声语音生成模型系数的快速估计算法并分析算法的收敛速度；基于语音生成模型系数的估计，提出有色噪声协方差矩阵的估计算法并分析算法的收敛性；研究卡尔曼滤波增益函数，建立数值稳定的卡尔曼滤波递推算法，提出有色噪声环境下基于噪声约束最小均方估计的语音增强算法；提高有色噪声环境下语音增强恢复效果，推动语音增强技术在理论及应用上进一步发展。

有色噪声环境下语音增强是数字信号领域的重要内容，有着广泛的实际应用。有色噪声下语音生成模型是自回归（AR）模型, 所以AR模型参数估计是有色噪声下语音增强研究的关键之一。解决有色噪声协方差矩阵的估计困难是有色噪声下语音增强研究的关键之二。 现有处理有色噪声的语音增强算法有较高的复杂度，建立快速且低复杂度的算法是有色噪声下语音增强研究的关键之三。围绕关键内容,课题组从算法与理论上展开了语音增强研究，取得5个重要结果：(1) 联合卡尔曼滤波和AR模型参数快速学习技术，提出了基于噪声约束最小均方估计的单通道语音增强算法. 理论与实验结果证实所提出的算法具有鲁棒性和全局收敛性. (2) 首次提出了无偏AR模型参数估计的新方法和一种基于噪声补偿最小均方估计的快速算法. 计算结果证实所提出的算法比现有参数估计算法有明显的估计精度优势. (3) 建立了估计有色噪声协方差矩阵的新方法，提出了基于AR参数矩阵估计的子空间语音增强算法. 有色噪声下实验结果证实所提出的算法比现有单通道语音增强算法有语音恢复效果佳的优势。(4) 提出了谱幅度平方的最大后验估计方法和最小均方估计方法, 建立了两种低算复法杂度的分布式多通道语音增强算法. 在有色噪声下实验结果证实所提出的算法比现有分布式多通道语音增强算法有速度快和恢复效果佳的优势。（5）联合子空间滤波器和维纳滤波器，提出了一种基于适应凸组合滤波器的语音增强算法。该算法有效地减少语音失真和噪声影响。在有色噪声下实验结果证实所提出的算法比现有的多通道语音增强算法，具有语音恢复效果佳的优势。另外，还获得如下相关的重要结果：（6）减少噪声和语音失真的最优滤波器是复变量约束二次优化问题的解。为此，提出了一种求解复变量约束非线性优化问题的学习算法并首次建立了全局收敛性理论。（7）分布式多通道语音增强模型本质上是盲数据融合模型。基于约束最小均方新估计，提出一种盲数据融合的快速学习算法。（8）在噪声和混响环境下，语音模型本质上属自回归移动平均（ARMA）模型。理论证实一种ARMA模型参数新估计算法具有全局最优特征，解决了非凸问题。（9）为了有效处理非高斯噪声，提出了一种解一般线性约束L1优化问题的快速学习算法, 在无任何条件下理论证明所提出的学习算法是全局收敛。（10）研发了基于语音增强新技术的两个实际应用：助听器和语音识别。