实例介绍
【实例简介】
武汉理工大学 信息处理课设 基于LMS 算法的多麦克风降噪 给定主麦克风录制的受噪声污染的语音信号和参考麦克风录制的噪声，实现语音增强的目标，得到清晰的语音信号。
2007控制科学与工程全国博士生学术论坛 2007年8月 其中日为语音信号与麦克风阵列所在平面的夹角,d为麦克风间距,c为声音传播速度,f为信号采 样率。固定波束形成器通过延时求和单元产生参考语音信号y(n),y(n)与y(m)分别代表期望语音信 号与噪声信号。 y,(n) 4x(m)=y(m)+y/(m (3) 信号通过阻塞矩阵产生噪声参考信号用来估计波束形成输出信号中的噪声成分。选取B使其中任意行 向量之和为零,即任意行向量线性无关。为了进一步降低噪声参考信号中的语音泄漏,参考文献“提出了 用自适应阻塞矩阵替代固定阻塞矩阵的方法。 ynly2nMM-[nJ]=BLun], u2n],umn 自适应噪声抵消器ANC通过对输入噪声参考信号进行自适应滤波处理抵消了参考信号y,(m)中的噪 声成分,得到增强的语音信号。 em]=y[m-∑nnl 3LMS自适应算法及改进 31LMS自适应算法 GSC架构中的自适应噪声抵消器ANC需要用增强的语音信号作为反馈对滤波器权值进行自适应更 新。很多自适应算法基于LMS及其改进形式, Clark提出的块LMS算法使得滤波器的自适应逐块更新而 非传统LMS滤波器逐点更新4, HOSHUYAMA、 Kellermann分别提出的基于范数约束自适应算法的权值 更新,以及频域无约束实现。这些算法基本结构如图2所示 y(n-1) (n-L+1) wo(n e(n y/(n) 图2自适应横向滤波器结构图 图2为图1中的M-1路L阶多通道自适应噪声对消器中某一路的展开形式,其抽头输入向量为 [ym]yn-]yn-L+1],对应的抽头权向量为wmwn]w-]。LMS算法的梯度向量通过 G 2007控制科学与工程全国博士生学术论坛 2007年8月 计算抽头输入相关矩阵R和抽头输入与期望响应间互相关向量p得到VJ(n)=-2p+2Rv(m),将R和p 的瞬态估计R(n)=y(m)y"(n),p(n)=y(n)y/(m)代入,得出梯度向量的瞬态估计: VJ(n)=-2y(n)y, (n+2y(n)y"(n)w(n) 进而推出LMS算法权值更新公式为 w(n+1)=w(n)+uy(n)Ly(n)-y"(n)w(n) 32基于稳态噪声的自适应算法改进 考查图2中具有L个抽头权值的LMS算法,抽头权值与抽头输入一一对应。在传统的逐点更新LMS 算法中,每计算一个输出需要L次乘法,而更新一次抽头权值也需要L次乘法,故每次迭代需要2L次乘 法。对于L个输出样值,所需要的乘法次数为2次。针对传统LMS算法复杂度高的缺点,Ca利用离 散傅立叶变换在频域完成滤波器系数的自适应提出了快速块LMS箅法, Ann Spriet在此基础上通过改进 LMS算法中的步长矩阵进一步降低了算法复杂度 以上LMS算法改进均在图2的横向滤波器架构下进行,即抽头权值与抽头输入一一对应。考虑到稳态噪声的特点,本 文提出了“一对多”的滤波器抽头权值更新算法,即L个输入样值共享一个滤波器权值。如此M路多麦克风语音增强系统 中的ANC滤波器权值便由(M-1)×L维矩阵W[n=[w[η],n2[rl…wM-[r],其中 H[n]=[won],w1[nw-r]退化为(M-1)×1维向量n]=[wryw2n],M-m]j。改进算法权 值更新公式为 w(n+D)=w(n)+uBu(nu"(n)[A-Bw(n) 其中B为阻塞矩阵,A为固定波束形成器,为步长,U(n)为LxM维输入信号。 与传统的“一对一”LMS滤波器相比,“一对多”结构在降低算法复杂度的同时,牺牲了前者具有的 时间域严格对齐的特性。为降低这一缺点对系统降噪性能的影响,应在频域进行噪声对消,改进算法的多 麦克风语音增强系统结构如图3所示。 e(n) (n) B Yn 图3改进的噪声消除算法结构 图3中用虚线框表示可选滤波器权值w。由于实际应用中语音泄漏的存在,在参考语音信号中 加入v能有效补偿由语音泄漏引起的语音崎变⑩。实际应用中由于阻塞矩阵输出不可避免的存在语音泄 464 2007控制科学与工程全国博士生学术论坛 2007年8月 漏,为了避免期望信号的消除,箅法中加入语音活动检测单元89,当前帧为噪声时更新滤波器系数,当 前帧为语音信号时,滤波器系数不变 33算法复杂度比较 表1列出了本文算法与其他几种噪声消除算法之间算法复杂度的比较。我们采用实数乘法运算次数作 为衡量算法复杂度的标准,每个N点傅立叶变换或其反变换需要Mlog2N次实数乘法运算。传统逐点LMS 算法在时间域逐点更新滤波器权值。快速块LMS算法与多通道 Wiener算法通过FFT快速循环卷积特性实 现LMS中的线性卷积运算,从而降低算法复杂度。本文算法在此基础上通过改进滤波器抽头权值更新算 法进一步降低运算复杂度。由表1可见,当麦克风数目M4,L=32时,本文算法与多通道 Wiener滤波算 法相比,R(3M+2)FT+8ML+2M63M+2)+4M2+6M_172 (M+2)FFT+2ML 6(M+2)+M 40°文算法运算量降低了4 倍左右。 表1算法复杂度比较 算法名称 算法复杂度 传统逐点LMS算法 2ML 快速块LMS算法(41 (3M+2)FFT+16ML 多通道 Wiener滤波算法 5 3M+2)FFT+8M2+12M 本文提出的算法 (M+2)FF+2M … 图4a)麦克风采集到的原始信号b)采用快速块LMS算法处理后的信号[4] c)采用多通道 Wiener滤波算法[10处理后的信号d采用本文算法处理后的信号 4实验结果与分析 实验采用线性排列的4个间距为4厘米的麦克风组成的语音采集系统,采样率为44KHZ,说话人位 于阵列的正前方,噪声为稳态噪声,其与麦克风阵列法线所夹角度为50度。图4比较了麦克风采集到的 信号、采用本文算法处理后的语音信号以及采用其他主流语音增强算法处理后的语音信号的时域波形。由 465 2007控制科学与工程全国博士生学术论坛 2007年8月 图4可见采用本文算法处理的语音信号背景噪声有明显降低。 为进一步分析各种语音增强算法消噪能力,分别按照公式9计算各算法输出信号的信噪比,其中k代 表帧序列号,N代表噪声,Y代表输出语音信号,L为帧长。 ∑(Y(k,2)2-|N(k,) SNRou(E)=10 log,o ∑1MV6) 图5釆用各箅法输出信号信噪比与输入信号信噪比之差来衡量噪声降低程度。由图5看出,在本文算 法基础上在参考通道中加入可选滤波器权值能够进一步消除背景噪声,提高输出信噪比。 苯文鲜法(使用权值w) 木文好法未使用权值y 块LMS算法 Frame Number 图5信噪比增强对比 5结论 本文在稳态噪声的前提下,提出了一种基于广义旁瓣消除器架构具有低算法复杂度的噪声消除算法, 该算法通过改进LMS滤波器权值更新算法来达到降低算法复杂度的目的。实验结果证明,在稳态噪声环 境下,该方法降噪性能优于传统LMS算法,同时有效降低了传统算法的算法复杂度。在现实生活中一些 存在稳态噪声的场合,如发动机舱、厂房等该算法具有很强的实用价值。 参考文献 [U]LJ. Griffiths and C. W. Jim []. "An altemative approach to linearly constrained adaptive beamforming, IEEE Trans. Antennas Process., voL. AP-30, no. I, pp 27-34, Jan. 1982. [2]0. Hoshuyama, A Sugiyama, and A Hirano [J]. "A robust adaptive beamformer for microphone arrays with a blocking matrix using constrained adaptive filters, "IEEE Trans. Signal Process. vol 47, pp. 2677-2683, Oct. 1999 [3]W. Herbordt and W Kellermann [J]. " Frequency-domain integration of acoustic echo cancellation and a generalized sidelobe canceller with improved robustness, "Eur. Trans. Telecommun., voL. 13, no 2, pp 123-132, Mar. -Apr. 2002. [4]Clark. G.A., S K Mitra, and S.R. Parker [J]. Block implementation of adaptive digital filters, "IEEE Trans. Circuits Syst, voL. CAS-28,PP584-592.1981. [5]Ann Spriet, Jan Wouters, Simon Doclo, Marc Moonen, "Frequency-Domain Criterion for the Speech Distortion Weighted Multichannel Wiener Filter for Robust Noise Reduction", Ap: //ftp. esat kuleuven. ac, be/pub/SISTA/doclo/reports/04-240 pdf [6JH. Buchner, J. Benesty, W. Kellermann J]. Generalized multichannel frequencydomain adaptive filtering: efficient realization and application to hands free speech communication", Signal Processing 85(3), PP 549-570. 2005 [7]W.Herbordt and W. Kellermann [A]. " Efficient Frequency-domain realization of robust generalized sidelobe cancellers", IEEE 466 2007控制科学与工程全国博士生学术论坛 2007年8月 Fourth workshop, multimedia signal Processing, PP. 377-382 2001 [8]S. Van Gerven, F. Xie [J. "A Comparative Study of Speech Detection Methods", Proc. EUROSPEECH, VoL 3, Rhodos, Greece pp.1095-1098.1997 [9]J Sohn, N.S.Kim, W Sung [] A Statistical Model-Based Voice Activity Detection", IEEE Signal Processing Lett. 6(1)1-3 1999 [10]A Spriet, M. Moonen, J Wouters[]. Robustness Analysis of Multi-channel wiener Filtering and generalized sidelobe Cancellation for Multi-microphone Noise Reduction in Hearing Aid Applications", IEEE Trans. Speech and Audio Processing, 13 (4)PP.487-503.2005 [IlJFerrara, E R r [] Fast implementation of LMS adaptive filters", IEEE Trans. Acoust. Speech Signal Process, voL.ASSP-28pp474-475.1980 [12]S. Doclo and M. Moonen[J]. " Multi-microphone noise reduction using recursive GSVD-based optimal filtering with ANC postprocessing stage, "IEEE Trans. Speech Audio Process., vol. 13, no. 1,Pp 53-69, Jan. 2005 [13]Philipos C Loizou [J]. "Speech Enhancement Based on Perceptually Motivated Bayesian Estimators of the Magnitude Spectrum" IEEE TRANSACTIONS ON SPEECH AND AUDIO PROCESSING, VOL 13, NO 5, Pp.857-869, 2005 种新的基于稳态噪声的噪声消除算法 旧 WANFANG DATA文献链接 作者: 董鹏宇,朱子元,林涛 作者单位: 同济大学超大规模集成电路研究所,上海20009 本文链接http://d.g.wanfangdata.comcn/confereNce6584700.aspx 【实例截图】
【核心代码】
武汉理工大学 信息处理课设 基于LMS 算法的多麦克风降噪 给定主麦克风录制的受噪声污染的语音信号和参考麦克风录制的噪声，实现语音增强的目标，得到清晰的语音信号。
2007控制科学与工程全国博士生学术论坛 2007年8月 其中日为语音信号与麦克风阵列所在平面的夹角,d为麦克风间距,c为声音传播速度,f为信号采 样率。固定波束形成器通过延时求和单元产生参考语音信号y(n),y(n)与y(m)分别代表期望语音信 号与噪声信号。 y,(n) 4x(m)=y(m)+y/(m (3) 信号通过阻塞矩阵产生噪声参考信号用来估计波束形成输出信号中的噪声成分。选取B使其中任意行 向量之和为零,即任意行向量线性无关。为了进一步降低噪声参考信号中的语音泄漏,参考文献“提出了 用自适应阻塞矩阵替代固定阻塞矩阵的方法。 ynly2nMM-[nJ]=BLun], u2n],umn 自适应噪声抵消器ANC通过对输入噪声参考信号进行自适应滤波处理抵消了参考信号y,(m)中的噪 声成分,得到增强的语音信号。 em]=y[m-∑nnl 3LMS自适应算法及改进 31LMS自适应算法 GSC架构中的自适应噪声抵消器ANC需要用增强的语音信号作为反馈对滤波器权值进行自适应更 新。很多自适应算法基于LMS及其改进形式, Clark提出的块LMS算法使得滤波器的自适应逐块更新而 非传统LMS滤波器逐点更新4, HOSHUYAMA、 Kellermann分别提出的基于范数约束自适应算法的权值 更新,以及频域无约束实现。这些算法基本结构如图2所示 y(n-1) (n-L+1) wo(n e(n y/(n) 图2自适应横向滤波器结构图 图2为图1中的M-1路L阶多通道自适应噪声对消器中某一路的展开形式,其抽头输入向量为 [ym]yn-]yn-L+1],对应的抽头权向量为wmwn]w-]。LMS算法的梯度向量通过 G 2007控制科学与工程全国博士生学术论坛 2007年8月 计算抽头输入相关矩阵R和抽头输入与期望响应间互相关向量p得到VJ(n)=-2p+2Rv(m),将R和p 的瞬态估计R(n)=y(m)y"(n),p(n)=y(n)y/(m)代入,得出梯度向量的瞬态估计: VJ(n)=-2y(n)y, (n+2y(n)y"(n)w(n) 进而推出LMS算法权值更新公式为 w(n+1)=w(n)+uy(n)Ly(n)-y"(n)w(n) 32基于稳态噪声的自适应算法改进 考查图2中具有L个抽头权值的LMS算法,抽头权值与抽头输入一一对应。在传统的逐点更新LMS 算法中,每计算一个输出需要L次乘法,而更新一次抽头权值也需要L次乘法,故每次迭代需要2L次乘 法。对于L个输出样值,所需要的乘法次数为2次。针对传统LMS算法复杂度高的缺点,Ca利用离 散傅立叶变换在频域完成滤波器系数的自适应提出了快速块LMS箅法, Ann Spriet在此基础上通过改进 LMS算法中的步长矩阵进一步降低了算法复杂度 以上LMS算法改进均在图2的横向滤波器架构下进行,即抽头权值与抽头输入一一对应。考虑到稳态噪声的特点,本 文提出了“一对多”的滤波器抽头权值更新算法,即L个输入样值共享一个滤波器权值。如此M路多麦克风语音增强系统 中的ANC滤波器权值便由(M-1)×L维矩阵W[n=[w[η],n2[rl…wM-[r],其中 H[n]=[won],w1[nw-r]退化为(M-1)×1维向量n]=[wryw2n],M-m]j。改进算法权 值更新公式为 w(n+D)=w(n)+uBu(nu"(n)[A-Bw(n) 其中B为阻塞矩阵,A为固定波束形成器,为步长,U(n)为LxM维输入信号。 与传统的“一对一”LMS滤波器相比,“一对多”结构在降低算法复杂度的同时,牺牲了前者具有的 时间域严格对齐的特性。为降低这一缺点对系统降噪性能的影响,应在频域进行噪声对消,改进算法的多 麦克风语音增强系统结构如图3所示。 e(n) (n) B Yn 图3改进的噪声消除算法结构 图3中用虚线框表示可选滤波器权值w。由于实际应用中语音泄漏的存在,在参考语音信号中 加入v能有效补偿由语音泄漏引起的语音崎变⑩。实际应用中由于阻塞矩阵输出不可避免的存在语音泄 464 2007控制科学与工程全国博士生学术论坛 2007年8月 漏,为了避免期望信号的消除,箅法中加入语音活动检测单元89,当前帧为噪声时更新滤波器系数,当 前帧为语音信号时,滤波器系数不变 33算法复杂度比较 表1列出了本文算法与其他几种噪声消除算法之间算法复杂度的比较。我们采用实数乘法运算次数作 为衡量算法复杂度的标准,每个N点傅立叶变换或其反变换需要Mlog2N次实数乘法运算。传统逐点LMS 算法在时间域逐点更新滤波器权值。快速块LMS算法与多通道 Wiener算法通过FFT快速循环卷积特性实 现LMS中的线性卷积运算,从而降低算法复杂度。本文算法在此基础上通过改进滤波器抽头权值更新算 法进一步降低运算复杂度。由表1可见,当麦克风数目M4,L=32时,本文算法与多通道 Wiener滤波算 法相比,R(3M+2)FT+8ML+2M63M+2)+4M2+6M_172 (M+2)FFT+2ML 6(M+2)+M 40°文算法运算量降低了4 倍左右。 表1算法复杂度比较 算法名称 算法复杂度 传统逐点LMS算法 2ML 快速块LMS算法(41 (3M+2)FFT+16ML 多通道 Wiener滤波算法 5 3M+2)FFT+8M2+12M 本文提出的算法 (M+2)FF+2M … 图4a)麦克风采集到的原始信号b)采用快速块LMS算法处理后的信号[4] c)采用多通道 Wiener滤波算法[10处理后的信号d采用本文算法处理后的信号 4实验结果与分析 实验采用线性排列的4个间距为4厘米的麦克风组成的语音采集系统,采样率为44KHZ,说话人位 于阵列的正前方,噪声为稳态噪声,其与麦克风阵列法线所夹角度为50度。图4比较了麦克风采集到的 信号、采用本文算法处理后的语音信号以及采用其他主流语音增强算法处理后的语音信号的时域波形。由 465 2007控制科学与工程全国博士生学术论坛 2007年8月 图4可见采用本文算法处理的语音信号背景噪声有明显降低。 为进一步分析各种语音增强算法消噪能力,分别按照公式9计算各算法输出信号的信噪比,其中k代 表帧序列号,N代表噪声,Y代表输出语音信号,L为帧长。 ∑(Y(k,2)2-|N(k,) SNRou(E)=10 log,o ∑1MV6) 图5釆用各箅法输出信号信噪比与输入信号信噪比之差来衡量噪声降低程度。由图5看出,在本文算 法基础上在参考通道中加入可选滤波器权值能够进一步消除背景噪声,提高输出信噪比。 苯文鲜法(使用权值w) 木文好法未使用权值y 块LMS算法 Frame Number 图5信噪比增强对比 5结论 本文在稳态噪声的前提下,提出了一种基于广义旁瓣消除器架构具有低算法复杂度的噪声消除算法, 该算法通过改进LMS滤波器权值更新算法来达到降低算法复杂度的目的。实验结果证明,在稳态噪声环 境下,该方法降噪性能优于传统LMS算法,同时有效降低了传统算法的算法复杂度。在现实生活中一些 存在稳态噪声的场合,如发动机舱、厂房等该算法具有很强的实用价值。 参考文献 [U]LJ. Griffiths and C. W. Jim []. "An altemative approach to linearly constrained adaptive beamforming, IEEE Trans. Antennas Process., voL. AP-30, no. I, pp 27-34, Jan. 1982. [2]0. Hoshuyama, A Sugiyama, and A Hirano [J]. "A robust adaptive beamformer for microphone arrays with a blocking matrix using constrained adaptive filters, "IEEE Trans. Signal Process. vol 47, pp. 2677-2683, Oct. 1999 [3]W. Herbordt and W Kellermann [J]. " Frequency-domain integration of acoustic echo cancellation and a generalized sidelobe canceller with improved robustness, "Eur. Trans. Telecommun., voL. 13, no 2, pp 123-132, Mar. -Apr. 2002. [4]Clark. G.A., S K Mitra, and S.R. Parker [J]. Block implementation of adaptive digital filters, "IEEE Trans. Circuits Syst, voL. CAS-28,PP584-592.1981. [5]Ann Spriet, Jan Wouters, Simon Doclo, Marc Moonen, "Frequency-Domain Criterion for the Speech Distortion Weighted Multichannel Wiener Filter for Robust Noise Reduction", Ap: //ftp. esat kuleuven. ac, be/pub/SISTA/doclo/reports/04-240 pdf [6JH. Buchner, J. Benesty, W. Kellermann J]. Generalized multichannel frequencydomain adaptive filtering: efficient realization and application to hands free speech communication", Signal Processing 85(3), PP 549-570. 2005 [7]W.Herbordt and W. Kellermann [A]. " Efficient Frequency-domain realization of robust generalized sidelobe cancellers", IEEE 466 2007控制科学与工程全国博士生学术论坛 2007年8月 Fourth workshop, multimedia signal Processing, PP. 377-382 2001 [8]S. Van Gerven, F. Xie [J. "A Comparative Study of Speech Detection Methods", Proc. EUROSPEECH, VoL 3, Rhodos, Greece pp.1095-1098.1997 [9]J Sohn, N.S.Kim, W Sung [] A Statistical Model-Based Voice Activity Detection", IEEE Signal Processing Lett. 6(1)1-3 1999 [10]A Spriet, M. Moonen, J Wouters[]. Robustness Analysis of Multi-channel wiener Filtering and generalized sidelobe Cancellation for Multi-microphone Noise Reduction in Hearing Aid Applications", IEEE Trans. Speech and Audio Processing, 13 (4)PP.487-503.2005 [IlJFerrara, E R r [] Fast implementation of LMS adaptive filters", IEEE Trans. Acoust. Speech Signal Process, voL.ASSP-28pp474-475.1980 [12]S. Doclo and M. Moonen[J]. " Multi-microphone noise reduction using recursive GSVD-based optimal filtering with ANC postprocessing stage, "IEEE Trans. Speech Audio Process., vol. 13, no. 1,Pp 53-69, Jan. 2005 [13]Philipos C Loizou [J]. "Speech Enhancement Based on Perceptually Motivated Bayesian Estimators of the Magnitude Spectrum" IEEE TRANSACTIONS ON SPEECH AND AUDIO PROCESSING, VOL 13, NO 5, Pp.857-869, 2005 种新的基于稳态噪声的噪声消除算法 旧 WANFANG DATA文献链接 作者: 董鹏宇,朱子元,林涛 作者单位: 同济大学超大规模集成电路研究所,上海20009 本文链接http://d.g.wanfangdata.comcn/confereNce6584700.aspx 【实例截图】
【核心代码】
标签：
好例子网口号：伸出你的我的手 — 分享！
网友评论
小贴士
感谢您为本站写下的评论，您的评论对其它用户来说具有重要的参考价值，所以请认真填写。
- 类似“顶”、“沙发”之类没有营养的文字，对勤劳贡献的楼主来说是令人沮丧的反馈信息。
- 相信您也不想看到一排文字/表情墙，所以请不要反馈意义不大的重复字符，也请尽量不要纯表情的回复。
- 提问之前请再仔细看一遍楼主的说明，或许是您遗漏了。
- 请勿到处挖坑绊人、招贴广告。既占空间让人厌烦，又没人会搭理，于人于己都无利。
关于好例子网
本站旨在为广大IT学习爱好者提供一个非营利性互相学习交流分享平台。本站所有资源都可以被免费获取学习研究。本站资源来自网友分享，对搜索内容的合法性不具有预见性、识别性、控制性，仅供学习研究，请务必在下载后24小时内给予删除，不得用于其他任何用途，否则后果自负。基于互联网的特殊性，平台无法对用户传输的作品、信息、内容的权属或合法性、安全性、合规性、真实性、科学性、完整权、有效性等进行实质审查；无论平台是否已进行审查，用户均应自行承担因其传输的作品、信息、内容而可能或已经产生的侵权或权属纠纷等法律责任。本站所有资源不代表本站的观点或立场，基于网友分享，根据中国法律《信息网络传播权保护条例》第二十二与二十三条之规定，若资源存在侵权或相关问题请联系本站客服人员，点此联系我们。关于更多版权及免责申明参见 版权及免责申明
支持(0) 盖楼(回复)