[发明专利]基于协同非线性自适应滤波的麦克风阵列语音增强方法

说明书

本发明涉及基于协同非线性自适应滤波的麦克风阵列语音增强方法，具体步骤为：(1)将带噪语音信号输入麦克风阵列，麦克风阵列对接收到的带噪语音信号进行时延估计和时延补偿，得到对齐后的带噪语音信号；(2)将对齐后的带噪语音信号分成两部分进行处理，一部分利用线性滤波器通过LMP自适应算法进行处理；(3)另一部分经过非线性滤波器的进行处理；(4)麦克风阵列语音输出取决于分别经过线性滤波器和非线性滤波器的语音输出。本发明提出的基于协同非线性自适应滤波技术的麦克风阵列语音增强方法，通过线性滤波器与非线性滤波器相结合，对语音信号的输出进行协同调节，从而最大程度的滤除噪声干扰信号，实现对语音信号进行自适应语音增强。

技术领域

本发明涉及电子通讯及信息工程技术领域，具体涉及基于协同非线性自适应滤波技术的麦克风阵列语音增强方法。

背景技术

语音是人类进行信息交流与情感表明的重要方式，是人们之间相互沟通最直接有效的方式，它也是人与机器之间控制与通信交流的主要工具。21世纪是信息科技时代，随着人工智能的普及，远程的语音技术在人类生活需求中的应用越来越多。再加上手机智能产业的迅猛发展，同时推动了语音增强技术的进步。语音信号处理对语音信号的质量要求很高，然而拾取到的语音信号中带有噪声信号，使得该语音信号的清晰度与可懂性在语音系统使用环境复杂化的情况下严重下降。因此必须采用一些语音增强的方法对语音信号进行降噪处理。麦克风阵列语音增强技术可以利用空间滤波器的空间选择性对移动的目标声源进行实时跟踪，获得高品质的语音信号。麦克风阵列可以在任何时间定位到语音信号的来源，并且可以在跟踪多个声源的同时实时跟踪语音信号。

将自适应滤波引入麦克风阵列技术中可灵活地控制波束方向，实时跟踪目标语音信号。自适应滤波只需要很少的或根本不需要任何关于信号和噪声统计特性的先验知识，仅根据观测信息就能实时估计信号和噪声的统计特性。在自适应滤波算法中，最小均方算法(LMS)是最为典型的，具有计算简单、在平稳的信号环境中的收敛性强、其期望值无偏地收敛到维纳解和利用有限精度实现算法的稳定性，而最小平均P范数(LMP)算法是LMS算法的基础上，传统最最小平均P范数(LMP)系统框图如图1所示，利用统计平均值替换为误差的瞬时值，对于脉冲数据有较强的抑制能力。满足通用逼近约束的基函数可以是正交多项式的子集中最受欢迎的功能扩展之一是包括三角多项式函数，它们在均方意义上提供任何非线性函数的最佳紧凑表示。三角函数也是计算上比基于幂级数的多项式方便。因此可以并行考虑这两个不同的自适应滤波器。可以用一个线性参数设置来控制三角多项式滤波器，使得非线性部分的滤波器可以根据噪声的情况进行可调控制。

发明内容

本发明所要解决的技术问题是提供基于协同非线性自适应滤波技术的麦克风阵列语音增强方法来解决语音信号的降噪问题。

为解决以上技术问题，本发明的技术方案为：提供基于协同非线性自适应滤波技术的麦克风阵列语音增强方法，其创新点在于：具体包括以下步骤：

(1)将带噪语音信号为X(n)＝A(θ)S(n)+N(n)输入麦克风阵列，麦克风阵列对接收到的带噪语音信号进行时延估计和时延补偿，使各个麦克风通道中的信号在时间上是一致的，经过延时估计和延时补偿对齐后的各麦克风通道的带噪语音信号分别为x₀(n)、x₁(n)、……、x_M-1(n)，定义对齐后的带噪语音信号为：X(n)＝[x₀(n),x₁(n),...,x_M-1(n)]^T，其中M为麦克风个数；

(2)将步骤(1)中对齐后的带噪语音信号X(n)＝[x₀(n),x₁(n),...,x_M-1(n)]^T分成两部分进行处理，一部分利用线性滤波器通过LMP自适应算法对带噪信号的权值进行更新，再使用最速梯度下降法，将LMP自适应算法误差统计平均值用误差的瞬时值代替，可获得瞬时梯度估计为：