03 现在的位置:首页 > 期刊导读 > 2017 > 03 >

结合EEMD与K-SVD字典训练的语音增强算法

【作者】 甘振业 陈浩 杨鸿武    西北师范大学物理与电子工程学院 兰州730070

【关键词】 语音增强 总体平均经验模态

摘要】该文提出一种总体平均经验模态分解(ensemble empirical mode decomposition,EEMD)方法与K奇异值分解(K-singular value decomposition,K-SVD)字典算法相结合的语音增强算法。将带噪语音通过EEMD分解得到各本征模式分量(intrinsic mode function,IMF),对各IMF分量进行互相关和自相关分析,去除噪声IMF分量,并将过渡IMF分量再次进行EEMD分解,去除其中的噪声IMF分量。将过渡IMF分量和剩余的IMF分量叠加,得到预降噪的带噪语音。利用纯净语音,通过K-SVD字典训练算法得到过完备字典。对预降噪的带噪语音通过过完备字典进行稀疏表示,稀疏系数重构出纯净语音。实验结果表明:在低信噪比和高信噪比情况下,该算法的去噪效果明显优于传统的谱减法、小波阈值去噪法和K-SVD字典训练。

上一篇:一种航空Ad hoc网络优先级权重速率控制算法
下一篇:高温下防护服热阻和湿阻的暖体假人实验

版权所有@清华大学  京公网安备 110402430053 号
地址:北京市海淀区清华园   邮政编码:100084