[发明专利]用于增强输入的有噪信号的方法和系统

权利要求书

1.一种用于增强输入的有噪信号的方法，其中，所述输入的有噪信号是清晰语音信号与噪声信号的混合，所述方法包括：

使用所述清晰语音信号的模型和所述噪声信号的模型，根据所述输入的有噪信号确定多个序列的隐变量，所述多个序列的隐变量包括表示所述清晰语音信号的激励分量的至少一个序列的隐变量、表示所述清晰语音信号的滤波器分量的至少一个序列的隐变量以及表示所述噪声信号的至少一个序列的隐变量，其中，所述清晰语音信号的模型为非负源-滤波器动力学系统，该非负源-滤波器动力学系统将表示所述激励分量的隐变量以马尔可夫链的形式约束为在时间上统计地具有依存性，并且将表示所述滤波器分量的隐变量以马尔可夫链的形式约束为在时间上统计地具有依存性，并且其中，所述多个序列的隐变量包括被确定为非负基函数的非负线性组合的隐变量；以及

使用表示所述激励分量和所述滤波器分量的相应隐变量的乘积来生成输出信号，其中，所述方法的步骤由处理器执行。

2.根据权利要求1所述的方法，其中，所述激励分量的隐变量或所述滤波器分量的隐变量包括形成离散状态马尔可夫链的状态变量。

3.根据权利要求1所述的方法，其中，所述激励分量的隐变量或所述滤波器分量的隐变量包括形成连续状态马尔可夫链的状态变量。

4.根据权利要求1所述的方法，其中，所述多个序列的隐变量包括表示增益分量的至少一个序列，并且其中，所述输出信号被生成为表示所述激励分量和所述滤波器分量以及所述增益分量的相应隐变量的乘积。

5.根据权利要求4所述的方法，其中，所述增益分量的序列形成马尔可夫链。

6.根据权利要求4所述的方法，其中，所述增益分量的序列形成伽玛马尔可夫链。

7.根据权利要求1所述的方法，其中，所述确定使用最大后验估计。

8.根据权利要求1所述的方法，其中，所述确定使用贝叶斯法。

9.根据权利要求1所述的方法，其中，所述确定是自适应的并且针对所述输入的有噪信号在线执行。

10.根据权利要求1所述的方法，其中，所述激励分量的隐变量或所述滤波器分量的隐变量包括形成伽玛马尔可夫链的状态变量。

11.根据权利要求1所述的方法，其中，根据训练噪声信号的数据库估计所述噪声信号的模型的参数。

12.根据权利要求1所述的方法，其中，根据所述输入的有噪信号估计所述噪声信号的模型的参数。

13.根据权利要求1所述的方法，其中，所述噪声信号的模型是非负基函数的非负线性组合。

14.根据权利要求1所述的方法，其中，所述噪声信号的模型是非负动力学系统。

15.根据权利要求1所述的方法，其中，所述噪声信号的模型是非负源-滤波器动力学系统。

16.根据权利要求1所述的方法，其中，根据训练清晰语音信号的数据库估计所述清晰语音信号的模型的参数。

17.一种用于增强输入的有噪信号的系统，其中，所述输入的有噪信号是清晰语音信号与噪声信号的混合，所述系统包括：

存储器，所述存储器用于存储所述清晰语音信号的模型，其中，所述清晰语音信号的模型为非负源-滤波器动力学系统；以及

处理器，所述处理器用于使用该非负源-滤波器动力学系统根据所述输入的有噪信号确定多个序列的隐变量，所述多个序列的隐变量包括表示所述清晰语音信号的激励分量的至少一个序列的隐变量、表示所述清晰语音信号的滤波器分量的至少一个序列的隐变量，其中，该非负源-滤波器动力学系统将表示所述激励分量的隐变量和表示所述滤波器分量的隐变量以马尔可夫链的形式约束为在时间上统计地具有依存性，并且其中，所述多个序列的隐变量包括被确定为非负基函数的非负线性组合的隐变量，并且所述处理器用于使用表示所述激励分量和所述滤波器分量的相应隐变量的乘积生成输出信号。