[发明专利]一种基于VAD和ANN的噪声消除方法

说明书

本发明公开了一种基于VAD和ANN的噪声消除方法，首先用VAD技术将带噪语音分成语音帧和噪声帧，然后通过ANN对语音帧和噪声帧进行不同的降噪处理，对语音帧对应的参考噪声采取顺序训练，对噪声帧对应的参考噪声采取批训练。本发明利用VAD技术把带噪语音分为语音帧和噪声帧。借助神经网络批训练的快速收敛性和高收敛精度，对噪声帧进行处理。一方面，使得自适应滤波在一个噪声帧数据内就得到了收敛；另一方面也提高了收敛精度。

技术领域

本发明属于噪声消除方法，具体涉及一种基于VAD和ANN的噪声消除方法，属于信号处理技术领域。

背景技术

噪声消除是信号处理领域中一个非常重要的问题，也是一个很棘手的问题，噪声的存在对系统的正常运行有着巨大的影响。多年来，广大学者对噪声消除做了广泛和深入的研究。噪声消除总的来说可以分为两大类：被动噪声抑制和主动噪声消除。被动噪声抑制就是用物理的方法，选用新型材料来进行吸音、隔音和消音。这种方法的成本较高，不易于维护，效果也不理想，尤其是对低频噪声的降噪能力很差。主动噪声消除，基于声波相消干涉的原理，利用自适应滤波算法产生一个与原始噪声幅度相同相位相反的次级噪声来抵消噪声。主动噪声消除的优点就在于自适应滤波算法能够使噪声主动控制系统实时地跟踪噪声及物理环境的变化，自动更新滤波器的参数，从而保证最大限度的消除噪声。相比于被动噪声抑制，其成本较低，易于维护，消噪效果也比较理想，尤其是对低频噪声的降噪效果显著。

自适应滤波算法是主动降噪系统的核心，其性能直接决定了降噪的性能。目前，主要有LMS算法和RLS算法两大类。由于LMS算法有计算量小，实时处理能力强，结构简单，所需内存小，易于实现的优点而在噪声消除领域得到了广泛的应用。但是由于LMS算法的收敛速度、时变系统跟踪速度比较慢，收敛精度不高的缺点，使得其在实践中的应用受到了一定的限制。虽然RLS算法的收敛速度比较快，收敛精度也比较高，但是计算复杂度很高，所需的内存极大，稳定性和实时处理能力都较差。因此，RLS算法在很多场合都不适用。

由于基本的LMS算法，步长是固定的。较大的步长可以提高收敛速度和时变系统的跟踪速度，但是收敛精度就会比较低。而较小的步长虽然可以提高收敛精度，却牺牲了收敛速度和时变系统跟踪速度。为此，人们做了大量的研究，提出了许多变步长的LMS算法，在一定程度上缓和了这个矛盾，但是并未从根本上得到解决。

近年来，随着经济的快速发展，人民生活水平的日益提高，城市噪声泛滥。人们对环境噪声降噪的需求越来越广，要求也越来越高。在很多应用场合，外部环境噪声是随时间不断变化的，是一个时变的系统。那就要求LMS算法不仅要有较高的收敛精度，而且要有快速的收敛速度和时变系统跟踪速度。

发明内容

本发明旨在解决现有LMS算法在噪声消除领域应用中性能的不足，创造性地提出了一种结合VAD和ANN技术来提高在噪声消除领域中算法的收敛速度和收敛精度的基于VAD和ANN的噪声消除方法。

本发明的总体方案：把带噪语音和参考噪声根据同样的方法进行加窗分帧处理，采用对数频谱距离法VAD技术把带噪语音分为语音帧和噪声帧，在有用语音开始之前设置一定时间的静音，这段时间的语音都是噪声，根据这段时间的噪声算出VAD的初始噪声参数，并设置阈值。根据阈值来判断每帧帯噪语音为语音帧还是噪声帧。根据VAD的检测结果，对语音帧和噪声帧采取不同的处理。当带噪语音经过VAD检测为噪声帧时用线性神经网络对噪声帧的参考噪声进行批训练，采用高级的BP算法，可以使误差平方和迅速收敛，而且收敛精度很高，这样就把噪声能量迅速降为零。当检测为语音帧时，用该线性神经网络对语音帧的参考噪声进行顺序训练。随着VAD技术把带噪语音实时地分为语音帧和噪声帧，神经网络相应地在批训练方式和顺序训练方式中来回切换。线性神经网络不设置阈值，这样的话可以保证训练出来的权值向量刚好就是滤波器的系数向量，线性神经网络工作在顺序训练时相当于LMS算法。

本发明是这样实现的：