导读:本文包含了语音消噪论文开题报告文献综述及选题提纲参考文献，主要关键词:最小均方算法(LMS),语音消噪,自适应滤波
语音消噪论文文献综述
徐泽琨,黄明,彭召敏,马栋梁,李国诚[1]（2018）在《一种基于LMS算法的语音消噪数字设计实现》一文中研究指出从最小均方算法LMS(Least Mean Square)基本原理出发,利用该原理实现语音信号消噪。研究了LMS算法不同步长对处理结果的影响,提出了LMS算法,设计了滤波器,实现了消噪的数字设计。理论分析及实验结果表明,在合适的步长下,采用LMS算法的自适应滤波器,可以实现对含有噪声干扰的语音信号中恢复实际信号,且实验结果具有良好的收敛性、较小的稳态误差。算法和设计对同行有参考和借鉴作用。(本文来源于《工业技术创新》期刊2018年03期）
王晓雨[2]（2017）在《基于过完备字典的语音压缩感知投影矩阵和消噪技术研究》一文中研究指出近十年来,压缩感知理论(compressed sensing)成为信号处理方向的热门研究方向,CS理论解决了传统采样机制中采样率高的难题,可以大大减少资源的浪费,仅需少量采样值即可在接收端精确或近似地重构原始信号。语音信号具有稀疏性,而如果通过引入压缩感知技术,将其和语音信号处理结合,这将会给语音信号处理领域带来新的发展。本文的研究就是基于这个前提,针对在实际的应用中语音压缩感知系统必然含有噪声,主要考虑CS系统中稀疏表示和观测矩阵的部分来研究消噪技术,以提升系统鲁棒性。本学位论文的研究内容和创新点如下:首先,详细阐述了关于压缩感知理论的研究背景知识,概括了压缩感知理论发展的数十年来各种关键技术的研究现状,总结性地介绍了语音压缩感知技术的应用与发展,本团队在前期的工作成果等。其次,从压缩感知理论涉及的稀疏基、观测矩阵和重构算法叁个核心技术方面来详细地介绍。然后,重点对语音信号的特征进行研究,经过一系列的仿真实验,证实了将CS技术应用于语音信号处理中是可行的。最后,考察了含噪语音在压缩感知系统中的性能,以及噪声对CS系统各部分的影响。正是建立在这些研究的前提之上,本论文提出了一种基于FIST算法的改进K-SVD字典学习方法。通过将快速迭代收缩阈值算法引入字典训练过程,提出了基于快速迭代收缩阈值算法的K-SVD字典学习算法。该算法首先用快速迭代收缩阈值算法来完成K-SVD字典学习算法的稀疏编码阶段,更新字典则使用K-SVD的经典更新方法,稀疏编码和字典更新两步迭代学习得到新的字典。将其训练出的字典对语音信号进行稀疏化,再观测重构,并将此算法应用于语音信号的压缩感知过程。结果表明本文算法比经典的K-SVD算法字典训练速度快、RMSE低。进一步考察算法的语音去噪能力,在白噪声环境下并考察不同字典参数时的字典性能,实验结果表明本文算法比经典的K-SVD算法获得更高的输出信噪比,具有良好的去噪性能。最后,本文提出了一种设计最佳投影和获得学习字典的联合设计方法,以此来提升压缩感知应用中的重构和消噪性能。基于对一个给定的字典存在封闭的表达形式的前提,对字典SVD分解,通过数学推导得到投影矩阵的表达式,此时投影矩阵和字典相乘是一个Parseval紧框架。设计得到的最佳投影矩阵可以通过字典得到。仿真结果显示,与其他方法相比,本文提出的设计方法应用于语音信号有较好的消噪性能。(本文来源于《南京邮电大学》期刊2017-10-26）
周伟栋[3]（2016）在《语音压缩感知系统中的消噪技术研究》一文中研究指出基于奈氏准则的传统数字信号处理方法,需要以大于信号带宽两倍的速率对其进行采样。面对海量待处理信息,数字化采样将会得到大量的采样数据,通信传输中给本来就紧缺的频带资源带来了很大的压力。另一方面,在传输之前往往需要对这些采样数据进行压缩编码,这样做反过来又浪费了大量的采样资源。针对这个问题,近年来压缩感知作为一种新颖的压缩采样技术另辟蹊径,受到人们广泛关注,它不再受限于信号带宽,可以以远低于奈氏采样率的速率对信号进行采样,同时实现对信号的压缩,大大节省了采样资源和通信的频带资源,降低了传输成本。压缩感知技术是一种稀疏信号处理技术,由于语音信号是近似稀疏的,可以将压缩感知技术与语音信号相结合。本文基于语音的稀疏性,研究语音压缩感知系统,着重研究语音压缩感知系统中的消噪技术,这是压缩感知技术实用化必须解决的关键问题。本文的主要创新和研究内容如下:首先,本文详细介绍了CS技术及语音CS理论,在验证了语音信号的稀疏性后,研究了语音压缩感知的稀疏表示、观测矩阵和重构算法叁个基本理论问题。然后结合实际,侧重讨论了噪声对语音压缩感知系统各部分的影响,并用实验进行了仿真。本文第二部分根据语音信号与高斯白噪声信号在DCT域具有不同的稀疏性,采用对语音压缩感知具有一定鲁棒性的行阶梯矩阵对含噪语音进行压缩测量,针对传统OMP算法难以实现语音增强且迭代速度慢等缺点,提出了一种MOMP算法,它通过设置相关性阈值与能量阈值双重阈值,控制OMP算法的重构阶段及迭代次数,较好的抑制了噪声分量的重构,提高了输出信噪比的同时减少了重构时间。最后,本文针对稀疏表示去噪方法会产生残留噪声的缺点,采用原子筛选方法去除残留噪声;针对BPDN算法中参数?取经验值重构性能不佳的缺点,提出了可以使参数?随着输入信噪比自适应调节到最优的MBPDN算法;最后将原子筛选方法应用于含噪语音压缩感知系统中,结合MBPDN重构算法,提出了一种基于过完备稀疏字典的语音消噪技术。实验结果表明所提方案对白噪声和有色噪声都有着较好的抑制作用。(本文来源于《南京邮电大学》期刊2016-11-18）
章雒霏,张铭,李晨[4]（2016）在《一种新的语音和噪声活动检测算法及其在手机双麦克风消噪系统中的应用》一文中研究指出针对现有双通道语音活动检测(Voice Activity Detection,VAD)算法依赖于固定阈值难以在多种噪声环境下准确地检测语音和噪声,应用于手机消噪系统会造成语音失真或噪声消除不好等问题,该文提出一种基于神经网络的VAD算法,该算法以分频带能量差和归一化互通道相关为特征,采用神经网络对语音和噪声进行分类。在此基础上,将神经网络VAD与基于互通道信号功率比值的VAD相结合,提出一种新的适用于手机消噪系统的语音和噪声活动检测算法分别对语音和噪声进行检测,并以此进行噪声抑制处理,减少了消噪系统因VAD误判而造成的性能下降。实验结果表明,该处理方法在抑制背景噪声和减少语音失真等方面优于现有的消噪算法,对于方向性语音干扰也有很好的抑制效果。(本文来源于《电子与信息学报》期刊2016年08期）
于志文[5]（2015）在《基于压缩感知的语音重构算法和消噪技术研究》一文中研究指出步入“大智移云“(大数据、智能化、移动互联网和云计算)时代,人类之间的联系更加密切,信息的交换也更加频繁。传统的数字采样技术在面临海量数据的时候,由于需要先采样后压缩,造成了采样资源的浪费;同时,无线通信中传输大量的数据需要大量的频带资源,给本来就不充裕的频带资源带来了非常大的压力。最近几年,压缩感知作为一种新兴的压缩采样技术,给信号与信息处理领域注入了新的活力。压缩感知的特点在于它可以在采样的同时对信号进行压缩,节约了采样成本。本文将压缩感知理论应用到语音信号处理领域,研究语音压缩感知中的重构算法和消噪方法。首先,本文对压缩感知的基本理论进行了介绍,并给出了相应的数学模型;在此基础上,将压缩感知与语音信号处理结合,分析了语音压缩感知理论;又结合实际,研究了含噪情况下的语音压缩感知技术,并对其进行了仿真实验。其次,本文对传统的重构贪婪算法进行了详细地介绍,分析了各贪婪算法的优缺点;针对SAMP算法固定步长的缺点,对其进行改进(通过阈值调整步长,并加入了裁剪步骤)提出了一种VSSAMP算法;通过实验仿真,将提出的VSSAMP算法和SAMP进行比较,实验结果表明,改进后的VSSAMP算法不仅能够提高重构的精度,还提升了重构速度。最后,本文利用语音经过行阶梯矩阵观测后仍然能够保留大部分语音特性的特点,先对观测序列进行谱减法消噪处理;然后在重构环节,提出一种自适应的重构算法,该算法可以根据输入信噪比自适应地修改重构算法的终止参数,不仅提高了输出重构语音的信噪比,而且降低了重构时间;最后在重构端加入一低通滤波器,去除重构语音中的毛刺,提高语音的可懂度与自然度。实验结果表明,这种新的语音重构系统可以提高输出语音的信噪比和主观听觉平均意见分,在白噪声情况下具有很强的抗噪能力,并且能够提高重构的速度。(本文来源于《南京邮电大学》期刊2015-03-01）
李丽[6]（2014）在《自适应语音消噪算法的研究与应用》一文中研究指出针对语音通信中的消噪算法进行了研究。经研究发现,消噪算法在收敛速度与稳态误差之间始终存在着矛盾。为改善语音中的消噪能力,减少误差,在G-SVSLMS算法的基础上,提出了一种改进的噪声消除算法,即利用引入一个关于误差的反正切函数来改进步长因子,并通过计算机仿真证实了改进算法具有良好的收敛性能和稳态性能,最后利用传统的LMS算法、G-SVSLMS算法和改进算法对带有噪声的信号进行了消噪处理,结果表明:在叁种算法中,改进算法的噪声消除效果最好。(本文来源于《计算机工程与科学》期刊2014年09期）
孙燕[7]（2014）在《自适应神经网络模糊小波语音消噪算法》一文中研究指出针对有色噪声,采用自适应神经网络模糊系统模糊(Auto Neural Fuzzy Inference System,ANFIS)逼近有色噪声,利用自适应神经模糊推理系统ANFIS对噪声的非线性动态特性进行建模,提出了语音自适应神经网络模糊小波消噪算法,建立并训练了消噪系统。对被有色噪声污染的测量信号经模糊消噪后,根据信号和噪声的小波系数在不同分解尺度上的传递性,进行中值滤波和小波重构,得到了干净的语音。对算法进行了仿真实验,结果表明,消噪效果明显。(本文来源于《声学技术》期刊2014年03期）
谷鹏,朱俊华,丁飞[8]（2015）在《一种含噪压缩感知的语音消噪方法》一文中研究指出针对含白噪声语音信号采用压缩感知时重构效果差的问题,提出了一种对CS投影矩阵为行阶梯矩阵下的观测序列进行小波阈消噪的方法。针对该方法在噪声较小时,由于对某些帧的观测序列的噪声标准差估计误差过大,从而导致的重构性能衰减严重的问题,提出了一阶平滑的噪声估计的改进方案,改善了高信噪比时的重构效果。仿真显示,该方法通过压缩感知降低采样率的同时,实现了语音增强,并且性能也优于传统语音消噪方法。(本文来源于《计算机工程与应用》期刊2015年15期）
胡瑞[9]（2014）在《基于小波变换的语音信号消噪处理设计》一文中研究指出本文介绍了小波变换的特点,分析了在语音信号消噪过程中所碰到的具体问题,并主要研究了阈值消噪方法。在阈值消噪方法中,对于小波阈值消噪个四个关键因素:小波基函数、分解层数、阈值函数、软硬阈值处理方法选取的难点问题进行了设计探索,并通过设计程序仿真出直观图像对比以及数据分析得到适合的阈值消噪设计方案。(本文来源于《电子世界》期刊2014年04期）
谷鹏[10]（2014）在《压缩采样系统中的语音消噪技术研究》一文中研究指出面对大数据时代带来的海量数据，如何存储，如何处理信息给现有的系统带来了巨大挑战。基于数字处理技术的整个系统的第一步是采样，传统奈奎斯特定理在面对高带宽的信号时会产生大量采样数据，同时，后续压缩技术的使用又使得前面采样产生的海量数据浪费了宝贵资源。近年来，压缩感知，一种全新的采样方法应运而生。它创造性地解决了传统采样面临的采样率过高，以及获得数据冗余度过高的问题。语音信号固有的稀疏性决定了语音和压缩感知技术的结合是一个必然的选择，这将给整个语音信号处理领域带来巨大的变革。本文在此背景下，研究基于压缩感知的语音处理技术迈向实用必须解决的问题之一：压缩采样系统中的语音消噪技术。本文主要的研究工作和创新如下：首先，详细分析了压缩感知的各个关键点，包括对信号的稀疏性要求，观测矩阵的投影过程，非线性信号重构理论。然后针对语音信号，从以上叁个方面分析了语音信号压缩感知的可行性和处理效果。并且在此基础上，分析了噪声对压缩感知系统的影响。以上分析和研究都是后面内容研究的基础。接着，讨论含噪语音的预处理方法，来降低噪声对压缩感知系统的影响。针对含噪语音的观测序列处理难度大的问题，提出了一种对原始语音进行小波分解，并对低频系数采用基于K-SVD的稀疏分解方法，对高频采用小波阈值去噪的联合去噪方法。在去噪的同时，保证了处理后的信号的稀疏性，为后续的压缩感知过程提供了良好的信号稀疏性保证。实验仿真显示，提出的方法对于噪声的抑制起到了一定的效果，而且也为压缩感知的使用创造了条件。然后，研究采用特殊观测矩阵下的观测序列消噪处理技术。针对含白噪声的语音在特殊的观测矩阵—行阶梯矩阵下的观测序列，分析了投影后的语音和噪声的不同特点，借鉴传统时频处理技术，提出了一种采用小波阈值去噪的方法，并且，在噪声较小时，改善了噪声标准差的估计方法，改善了提出方案在高信噪比时的效果。实验仿真显示，提出的方法，在压缩采样数据仅为原始序列1/4条件下，取得的消噪效果要好于传统方法。最后，研究快速、鲁棒性的CS重构算法。针对传统的重构算法仅使用稀疏性这一唯一先验信息的问题，尝试将语音在DCT域的聚集特性以及语音帧间的相关性加入重构，改进了经典的CoSaMP算法，改进后的算法在重构时间上减少20%左右，而且，对于噪声的鲁棒性也有一定的提高。(本文来源于《南京邮电大学》期刊2014-02-01）
语音消噪论文开题报告
（1）论文研究背景及目的
此处内容要求：
首先简单简介论文所研究问题的基本概念和背景，再而简单明了地指出论文所要研究解决的具体问题，并提出你的论文准备的观点或解决方法。
写法范例：
近十年来,压缩感知理论(compressed sensing)成为信号处理方向的热门研究方向,CS理论解决了传统采样机制中采样率高的难题,可以大大减少资源的浪费,仅需少量采样值即可在接收端精确或近似地重构原始信号。语音信号具有稀疏性,而如果通过引入压缩感知技术,将其和语音信号处理结合,这将会给语音信号处理领域带来新的发展。本文的研究就是基于这个前提,针对在实际的应用中语音压缩感知系统必然含有噪声,主要考虑CS系统中稀疏表示和观测矩阵的部分来研究消噪技术,以提升系统鲁棒性。本学位论文的研究内容和创新点如下:首先,详细阐述了关于压缩感知理论的研究背景知识,概括了压缩感知理论发展的数十年来各种关键技术的研究现状,总结性地介绍了语音压缩感知技术的应用与发展,本团队在前期的工作成果等。其次,从压缩感知理论涉及的稀疏基、观测矩阵和重构算法叁个核心技术方面来详细地介绍。然后,重点对语音信号的特征进行研究,经过一系列的仿真实验,证实了将CS技术应用于语音信号处理中是可行的。最后,考察了含噪语音在压缩感知系统中的性能,以及噪声对CS系统各部分的影响。正是建立在这些研究的前提之上,本论文提出了一种基于FIST算法的改进K-SVD字典学习方法。通过将快速迭代收缩阈值算法引入字典训练过程,提出了基于快速迭代收缩阈值算法的K-SVD字典学习算法。该算法首先用快速迭代收缩阈值算法来完成K-SVD字典学习算法的稀疏编码阶段,更新字典则使用K-SVD的经典更新方法,稀疏编码和字典更新两步迭代学习得到新的字典。将其训练出的字典对语音信号进行稀疏化,再观测重构,并将此算法应用于语音信号的压缩感知过程。结果表明本文算法比经典的K-SVD算法字典训练速度快、RMSE低。进一步考察算法的语音去噪能力,在白噪声环境下并考察不同字典参数时的字典性能,实验结果表明本文算法比经典的K-SVD算法获得更高的输出信噪比,具有良好的去噪性能。最后,本文提出了一种设计最佳投影和获得学习字典的联合设计方法,以此来提升压缩感知应用中的重构和消噪性能。基于对一个给定的字典存在封闭的表达形式的前提,对字典SVD分解,通过数学推导得到投影矩阵的表达式,此时投影矩阵和字典相乘是一个Parseval紧框架。设计得到的最佳投影矩阵可以通过字典得到。仿真结果显示,与其他方法相比,本文提出的设计方法应用于语音信号有较好的消噪性能。
（2）本文研究方法
调查法：该方法是有目的、有系统的搜集有关研究对象的具体信息。
观察法：用自己的感官和辅助工具直接观察研究对象从而得到有关信息。
实验法：通过主支变革、控制研究对象来发现与确认事物间的因果关系。
文献研究法：通过调查文献来获得资料，从而全面的、正确的了解掌握研究方法。
实证研究法：依据现有的科学理论和实践的需要提出设计。
定性分析法：对研究对象进行“质”的方面的研究，这个方法需要计算的数据较少。
定量分析法：通过具体的数字，使人们对研究对象的认识进一步精确化。
跨学科研究法：运用多学科的理论、方法和成果从整体上对某一课题进行研究。
功能分析法：这是社会科学用来分析社会现象的一种方法，从某一功能出发研究多个方面的影响。
模拟法：通过创设一个与原型相似的模型来间接研究原型某种特性的一种形容方法。
语音消噪论文参考文献
[1].徐泽琨,黄明,彭召敏,马栋梁,李国诚.一种基于LMS算法的语音消噪数字设计实现[J].工业技术创新.2018
[2].王晓雨.基于过完备字典的语音压缩感知投影矩阵和消噪技术研究[D].南京邮电大学.2017
[3].周伟栋.语音压缩感知系统中的消噪技术研究[D].南京邮电大学.2016
[4].章雒霏,张铭,李晨.一种新的语音和噪声活动检测算法及其在手机双麦克风消噪系统中的应用[J].电子与信息学报.2016
[5].于志文.基于压缩感知的语音重构算法和消噪技术研究[D].南京邮电大学.2015
[6].李丽.自适应语音消噪算法的研究与应用[J].计算机工程与科学.2014
[7].孙燕.自适应神经网络模糊小波语音消噪算法[J].声学技术.2014
[8].谷鹏,朱俊华,丁飞.一种含噪压缩感知的语音消噪方法[J].计算机工程与应用.2015
[9].胡瑞.基于小波变换的语音信号消噪处理设计[J].电子世界.2014
[10].谷鹏.压缩采样系统中的语音消噪技术研究[D].南京邮电大学.2014
标签：最小均方算法(LMS); 语音消噪; 自适应滤波;