語(yǔ)音除噪的理論基礎(chǔ)2.1語(yǔ)音信號(hào)特性語(yǔ)言信號(hào)可分類歸屬為清音、濁音構(gòu)成類型，濁音信號(hào)類型具有周期性，在其頻域內(nèi)表現(xiàn)出共振峰結(jié)構(gòu)，其中的信號(hào)能量度多聚集于低頻域內(nèi)，而且無(wú)失真段，以白噪聲相似，沒(méi)有時(shí)域和頻域特性REF_Ref221\r\h[2]。于此同時(shí)也可對(duì)其中的非有效語(yǔ)音信號(hào)進(jìn)行選擇性、高效性抑制。語(yǔ)音信號(hào)在現(xiàn)實(shí)使用是隨機(jī)性的過(guò)程，這就意味著其具有隨機(jī)性、不穩(wěn)定性、及不遍歷性。而語(yǔ)音頻譜振幅在短時(shí)間內(nèi)展示出時(shí)變狀態(tài)，將幀長(zhǎng)增加到無(wú)窮大等方式，最大限度的接近短時(shí)語(yǔ)音信號(hào)的正態(tài)分布，可對(duì)其進(jìn)行大致描述。值得注意的是該假設(shè)是寬帶噪聲消除、語(yǔ)音增強(qiáng)方法研究開(kāi)展的理論前提。2.2噪聲信號(hào)特性2.2.1噪聲的分類語(yǔ)音信號(hào)的噪聲源多是源自于外部環(huán)境，可分類歸屬為加性、非加性兩種噪聲類型，其中在非加性噪聲類型影響下，部分非加性還可以轉(zhuǎn)化為加性噪聲類型REF_Ref221\r\h[3]。噪聲還能被劃分為源自于周期性機(jī)械運(yùn)動(dòng)的過(guò)程，其具有離散窄譜峰的特性的周期性噪聲REF_Ref13295\r\h[4]、不一樣的多個(gè)語(yǔ)音信號(hào)一起重疊到同一個(gè)語(yǔ)音的信息通道上的同聲道語(yǔ)音干擾噪聲、多是由放電引發(fā)，展示出高幅度、短時(shí)間規(guī)律的離散脈沖特性，而且其突發(fā)脈沖間隙會(huì)維持較長(zhǎng)時(shí)間的平靜的脈沖噪聲、可以歸類為可調(diào)諧的正弦波，呈現(xiàn)出連續(xù)性的干擾狀態(tài)，多來(lái)源于無(wú)線電干擾的單頻噪聲等等。本設(shè)計(jì)研究的工廠噪音是一種來(lái)源于機(jī)器轟鳴，高頻的、根據(jù)周期性機(jī)械運(yùn)動(dòng)呈周期性變化的噪聲。2.2.2.噪聲的度量聲音是由聲壓、聲強(qiáng)和聲功率來(lái)度量的。聲壓級(jí)的定義為:（2-1）其中Pa是基準(zhǔn)聲壓（空氣中）。聲強(qiáng)級(jí)的定義為：（2-2）其中I是基準(zhǔn)聲強(qiáng)。 聲功率定義為:（2-3）其中W是基準(zhǔn)功率。聲壓級(jí)與聲強(qiáng)級(jí)的關(guān)系定義為:（2-4）其中c為聲速(m/s）2.2.3.噪聲的表示噪音是隨時(shí)間變化的，但噪聲的時(shí)域特性不明顯，一般情況下，噪音的頻率特性用功率譜密度來(lái)表示REF_Ref5730\r\h[7]。將gxx(f),即功率譜密度定義如下:（2-5）（2-6）噪音是具有統(tǒng)計(jì)特性的，鑒于此，在對(duì)系統(tǒng)噪聲展開(kāi)的統(tǒng)計(jì)分析過(guò)程中可發(fā)現(xiàn)其切實(shí)存在一定的不確定性測(cè)量值，但對(duì)系統(tǒng)噪聲進(jìn)行n次測(cè)量時(shí)，可以逐漸發(fā)現(xiàn)并總結(jié)出其中噪音分布規(guī)律。而且噪聲時(shí)域波形在直觀觀察層面雖然呈現(xiàn)出不規(guī)則性，但都是具有統(tǒng)計(jì)規(guī)律。由于現(xiàn)實(shí)噪聲的測(cè)量概率存在較大的不確定性，因此在對(duì)噪聲統(tǒng)計(jì)規(guī)律進(jìn)行描述時(shí)，經(jīng)常用概率表示。隨機(jī)過(guò)程中的噪音統(tǒng)計(jì)特性多采用μ1和σ分別表示平均值和標(biāo)準(zhǔn)差。X的平均值是期望值μ1，而且考慮到噪音統(tǒng)計(jì)的特性，多用大量測(cè)量平均值代表一次可期望值:（2-7）標(biāo)準(zhǔn)偏差μ1參數(shù)值，是對(duì)X的分散程度或其變化部分的表示，即：（2-8）在一般交變量中，σ2稱為均方差，平均值μ1為0，標(biāo)準(zhǔn)偏差就是有效值。2.3傅里葉變換語(yǔ)音除噪中的重要環(huán)節(jié)是頻譜分析，而頻譜分析原理則是利用傅里葉變換方式，將時(shí)域信號(hào)x(t)，轉(zhuǎn)換為頻域信號(hào)x(f)，這樣可更加直觀清晰的讓人們認(rèn)知了解諸多信號(hào)特性REF_Ref7046\r\h[8]。在頻譜分析中常用到其兩種重要變換：傅里葉變換傅里葉變換可以被分為快速和離散兩種方式。信號(hào)的處理中傅里葉變換起到了極為重要的作用，其中離散傅里葉變換的本質(zhì)是使得長(zhǎng)序列的有限的點(diǎn)實(shí)現(xiàn)頻域離散化，然后計(jì)算信號(hào)的譜密度，此步驟是在分幀和加窗后來(lái)實(shí)現(xiàn)的。逆傅里葉變換逆傅里葉變換可直觀的理解為是傅里葉變換的逆過(guò)程，多用于整合離散信功率譜密度號(hào)、輸出語(yǔ)音信號(hào)等。其在現(xiàn)實(shí)應(yīng)用中，可推進(jìn)離散頻域信號(hào)發(fā)展演變?yōu)樵械倪B續(xù)性有效語(yǔ)音信號(hào)。信號(hào)頻譜x(f)參數(shù)符號(hào)，可用來(lái)表示不同頻率含量的信號(hào)，通過(guò)這種方式可更加完整和明顯的展示時(shí)域信號(hào)和波形的信息。時(shí)域信號(hào)x(t)數(shù)值參數(shù)的傅氏變換:（2-9）式中x(f)為信號(hào)的頻域表示，x(t)為信號(hào)的時(shí)域表示，f為頻率。圖2-1頻譜分析原理圖

語(yǔ)音去噪系統(tǒng)設(shè)計(jì)首先將自己已經(jīng)錄制好的原始噪聲信號(hào)、含人聲噪音和純?nèi)寺曅盘?hào)導(dǎo)入matlab，進(jìn)行波形頻譜分析，找出噪聲與人聲不同的特點(diǎn)，然后根據(jù)它們的特點(diǎn)設(shè)計(jì)濾波器對(duì)機(jī)器轟鳴環(huán)境下和工廠環(huán)境下聲音信號(hào)進(jìn)行濾波，對(duì)比時(shí)域頻譜波形圖、傳輸聲音的濾波前后情況，并且與純?nèi)寺暤臅r(shí)域頻譜波形圖和聲音進(jìn)行對(duì)照，實(shí)現(xiàn)對(duì)此類噪聲環(huán)境下最佳除噪濾波器的設(shè)計(jì)。去噪過(guò)程過(guò)程如流程圖所示：圖3-1去噪過(guò)程主要流程圖3.1語(yǔ)音信號(hào)的輸入語(yǔ)音信號(hào)的輸入使用matlab系統(tǒng)進(jìn)行。matlab擁有一套功能強(qiáng)大齊全的數(shù)據(jù)采集工具箱，可以通過(guò)函數(shù)和輸入一些代碼命令來(lái)完成數(shù)據(jù)的采集，因此可快捷、更準(zhǔn)確的完成實(shí)驗(yàn)采集、數(shù)據(jù)分析和可視化等。語(yǔ)音信號(hào)主要有傳輸線和麥克風(fēng)兩種輸入方式REF_Ref8669\r\h[9]。其中傳輸線語(yǔ)音信號(hào)輸入方式需借助傳輸線將諸如錄音機(jī)等設(shè)備所提前錄制的聲音信號(hào)進(jìn)行傳轉(zhuǎn)換及傳輸，最終可完整可靠的輸入、存入計(jì)算機(jī)系統(tǒng)REF_Ref8669\r\h[10]。本系統(tǒng)采用傳輸線輸入方式，即用通過(guò)傳輸把其他設(shè)備錄制的聲音存入計(jì)算機(jī)，然后利用matlab系統(tǒng)對(duì)其進(jìn)行采集。利用手機(jī)錄音機(jī)，分別錄制10秒左右的一段純?nèi)寺曊Z(yǔ)音，一段原始噪聲和一段含人聲噪音，原始噪聲和含人聲噪音中的噪聲先選用一段洗衣機(jī)噪聲來(lái)模擬機(jī)器噪聲，它具有易于采集，富有規(guī)律性的特點(diǎn)，能很好模擬機(jī)器運(yùn)轉(zhuǎn)噪聲。將其轉(zhuǎn)換為wav聲音文件格式，傳輸至計(jì)算機(jī)，在該基礎(chǔ)上借助mat1ab系統(tǒng)讀取、采樣語(yǔ)音信號(hào)。audioread調(diào)用格式為[y,fs]=audioread('聲音.wav');得到了不同聲音的y值，參數(shù)y值所表示的時(shí)相關(guān)文件中的音頻數(shù)據(jù)，返回為m×n矩陣，m值則代表的是所讀取相關(guān)文件中的音頻樣本數(shù)，n值代表的是所讀取相關(guān)文件中的音頻通道數(shù)REF_Ref8669\r\h[11]。fs值代表的是生成該波形時(shí)進(jìn)行采樣活動(dòng)的頻率。現(xiàn)階段的研究及應(yīng)用中，8000、11025、22050和44100Hz為標(biāo)準(zhǔn)音頻采樣率。調(diào)用的代碼分別為：[x1,fs]=audioread('C:\ProgramFiles\MATLAB\R2017b\原始噪聲.wav');%導(dǎo)入原始噪聲語(yǔ)音信號(hào)

[x2,fs]=audioread('C:\ProgramFiles\MATLAB\R2017b\含人聲噪聲.wav');%導(dǎo)入含人聲噪音語(yǔ)音信號(hào)

[x3,fs]=audioread('C:\ProgramFiles\MATLAB\R2017b\純?nèi)寺?wav');%導(dǎo)入純?nèi)寺曊Z(yǔ)音信號(hào)、本次實(shí)驗(yàn)主要選取洗衣機(jī)噪聲模擬工廠噪聲作為研究對(duì)象，將其輸入進(jìn)matlab進(jìn)行轉(zhuǎn)換將波形頻譜圖展示如下：圖3-2原始噪聲時(shí)域頻譜圖從中可以看出噪聲波形呈現(xiàn)明顯規(guī)律性，從信號(hào)圖中可以發(fā)現(xiàn)噪聲隨機(jī)械運(yùn)動(dòng)呈周期性波動(dòng)，噪聲頻率較高。錄制的純?nèi)寺暡ㄐ晤l譜如下：圖3-3純?nèi)寺暡ㄐ晤l譜圖在波形圖中，較高頻部分顯示為藍(lán)色波，較低頻部分顯示為橙色波，可以明顯看出人聲在波形上的頻率分布，與洗衣機(jī)噪聲相比比較集中在較為低頻部分。含人聲噪音波形頻譜圖如下：圖3-4含人聲噪音波形頻譜圖對(duì)比純?nèi)寺暫秃寺曉胍魰r(shí)域頻譜波形圖可以發(fā)現(xiàn)，后期摻雜噪聲后，既有聲音信號(hào)發(fā)生了明顯的變化，并呈現(xiàn)出尖銳聲音波形。噪聲信號(hào)將人聲信號(hào)幾乎全部覆蓋，雜糅較嚴(yán)重，但還是依稀可看出有效聲音能量聚集于低頻區(qū)域，干擾噪音能量則聚集于高頻區(qū)域。3.2設(shè)計(jì)濾波器進(jìn)行語(yǔ)音去噪首先通過(guò)選取了matlab提供的標(biāo)準(zhǔn)常見(jiàn)濾波器結(jié)構(gòu)設(shè)計(jì)了幾種信號(hào)處理的常見(jiàn)濾波器，這里我首先選用了信號(hào)處理常用到的IIR濾波器，F(xiàn)IR濾波器先來(lái)對(duì)含噪人聲嘗試除噪。3.2.1幾種matlab標(biāo)準(zhǔn)濾波器設(shè)計(jì)（1）IIR濾波器設(shè)計(jì)無(wú)限脈沖響應(yīng)濾波器具有通阻帶特性。無(wú)限脈沖響應(yīng)濾波器除燥應(yīng)用時(shí)多選擇應(yīng)用butterworth函數(shù)、bessel函數(shù)、橢圓濾波器函數(shù)等模擬濾波器原型REF_Ref32504\r\h[12]。具體應(yīng)用時(shí)，需模擬濾波器設(shè)計(jì)傳輸函數(shù)G(s)，在該基礎(chǔ)上將G(s)轉(zhuǎn)換為系統(tǒng)函數(shù)H(z)，通過(guò)該途徑獲取波形。借助matlab系統(tǒng)也應(yīng)先確定濾波器類型、型號(hào)，再根據(jù)此確定相匹配的階數(shù)、傳輸函數(shù)等的表達(dá)式，這些表達(dá)方式是需要通過(guò)設(shè)計(jì)幾個(gè)參數(shù)，然后用濾波器帶有的公式來(lái)進(jìn)行計(jì)算。確定參數(shù)和公式后，就得到所求的差分方程。差分方程表示無(wú)限脈沖響應(yīng)濾波器濾波器：（3-1）它的Z域系統(tǒng)函數(shù)：（3-2）它的傳遞函數(shù)：（3-3）IIR濾波用遞歸(recursive)運(yùn)算，其執(zhí)行處理速率非常快，但是其性能卻沒(méi)比FIR濾波好。IIR的沖擊響應(yīng)由衰減性指數(shù)信號(hào)構(gòu)成REF_Ref32586\r\h[13]。具體設(shè)計(jì)過(guò)程首先通過(guò)N=length(y);Dt=10.00/N;求出語(yǔ)音信號(hào)長(zhǎng)度和語(yǔ)音時(shí)長(zhǎng)。接著運(yùn)用窗函數(shù)法。不同窗的性質(zhì)不同：不同窗函數(shù)的泄漏大小、頻率分辨能力存在差異，在對(duì)噪音信號(hào)進(jìn)行截?cái)鄷r(shí)，必然會(huì)造成能量的泄漏，因此，F(xiàn)FT算法計(jì)算頻譜會(huì)隨之發(fā)生柵欄效應(yīng)，該環(huán)境下所引發(fā)的誤差是必然存在而且無(wú)法消除的，但是我們可選擇不同的窗函數(shù)抑制誤差影響REF_Ref4523\r\h[14]。表3-1幾種窗的參數(shù)最小阻帶衰減過(guò)渡帶帶寬△w矩形窗20.9dB0.92π/M漢寧窗43.9dB3.11π/M漢明窗54.5dB3.32π/M布萊克曼窗75.3dB5.56π/M這里因?yàn)樗p不小于50dB，應(yīng)選擇海明窗，所以我也將運(yùn)用漢明窗來(lái)進(jìn)行設(shè)計(jì)。wp=0.2*pi;%設(shè)置通帶截止頻率0.2piws=0.3*pi;%設(shè)置阻帶截止頻率為0.3piwdelta=ws-wp;

%過(guò)渡帶寬度M=ceil(3.32*pi/wdelta);%濾波器長(zhǎng)度，朝正無(wú)窮方向舍入N=2*M+1;

%窗口長(zhǎng)度wc=(ws+wp)/2;

%截止頻率win=hamming(N);%得到漢明窗的時(shí)域響應(yīng)b=fir1(N-1,wc/pi,win);%濾波器系數(shù)n=0:1:N;[hit]=impz(b,1,n);%得到脈沖響應(yīng)[hfw]=freqz(b,1,512);%得到頻率響應(yīng)接下來(lái)運(yùn)用fft函數(shù)進(jìn)行時(shí)域和頻譜的波形轉(zhuǎn)換，用axis函數(shù)設(shè)置當(dāng)前坐標(biāo)軸x軸和y軸的限制范圍；subplot函數(shù)來(lái)指定劃分方式和位置并進(jìn)行繪圖，分別把IIR濾波前后的時(shí)域波形和信號(hào)頻譜表現(xiàn)出來(lái)：Y=fft(y);%快速傅里葉變換subplot(221);%表示將整個(gè)圖像窗口分為2行2列,當(dāng)前位置為1plot(y,'r');title('濾波前信號(hào)的波形');subplot(222);%指定劃分方式和位置進(jìn)行繪圖plot(abs(1),'r');title('濾波前信號(hào)的頻譜');axis([010000500]);%設(shè)置當(dāng)前坐標(biāo)軸x軸和y軸的限制范圍y3=filter(b,5,y1);Y3=fft(y3);subplot(223);%指定劃分方式和位置并進(jìn)行繪圖plot(y3);title('IIR濾波后信號(hào)的波形');subplot(224);;%指定劃分方式和位置并進(jìn)行繪圖plot(abs(Y3));title('IIR濾波后信號(hào)的頻譜');axis([010000500]);濾波前后波形對(duì)比：圖3-5IIR濾波器濾波前后波形對(duì)比圖對(duì)比信號(hào)波形濾波前后的變化，可以較為直觀觀察出波形經(jīng)濾波沒(méi)有較明顯分離出人聲頻率，噪聲和人聲依然比較雜糅，除噪效果并不是很好。對(duì)比濾波后聲音濾波前后的變化，可以發(fā)現(xiàn)濾波后呈現(xiàn)出發(fā)悶的聽(tīng)覺(jué)感，與純?nèi)寺暡顒e較大。因此本設(shè)計(jì)不選用此種濾波器。（2）FIR濾波器設(shè)計(jì)有限脈沖響應(yīng)濾波器具有更多的參考參數(shù)，這也就決定了其更容易設(shè)計(jì)、線性相位。然而在其現(xiàn)實(shí)使用中卻需要把DSP的計(jì)算量增多，會(huì)部分影響到DSP的實(shí)時(shí)性。FIR濾波器很常是通過(guò)設(shè)計(jì)數(shù)字濾波器去接近頻域上呈現(xiàn)出矩形窗理想低通濾波器來(lái)實(shí)現(xiàn)。利用窗函數(shù)法設(shè)計(jì)FIR濾波器一般需要給出理想濾波器的頻率響應(yīng)即hd(ejω),由于添加窗函數(shù)是在時(shí)域用窗函數(shù)與所給的信號(hào)相乘來(lái)達(dá)到截?cái)嘈盘?hào)的目的,借助序列傅里葉反變換求得hd(ejω)的單位脈沖響應(yīng)hd(n)REF_Ref15035\r\h[15]。H(d)再通過(guò)傅里葉變換轉(zhuǎn)換h(ejω),最后通過(guò)上面幾步可以得到h(e)，并把它和濾波頻率響應(yīng)比較。 （3-4）為了構(gòu)造一個(gè)長(zhǎng)度為N的線性相位濾波器，只有將Hd(jω)截取一段，并保證截取的一段h(n)對(duì)(N-1)/2對(duì)稱，保證所設(shè)計(jì)的濾波器具有線性相位REF_Ref4719\r\h[16]。實(shí)際濾波器的系統(tǒng)函數(shù)被稱為H(z)，即:（3-5） 主要設(shè)計(jì)流程用到的函數(shù)轉(zhuǎn)換如下：圖3-6FIR濾波器濾實(shí)現(xiàn)過(guò)程函數(shù)轉(zhuǎn)換圖具體設(shè)計(jì)過(guò)程與IIR濾波器設(shè)計(jì)類似，首先通過(guò)N=length(y)和Dt=10.00/N求出語(yǔ)音信號(hào)長(zhǎng)度和語(yǔ)音時(shí)長(zhǎng)。接下來(lái)開(kāi)始設(shè)計(jì)濾波器，這里依然選用漢明窗。wp=0.2*pi;%設(shè)置通帶截止頻率為0.2piws=0.3*pi;%設(shè)置阻帶截止頻率為0.3piwdelta=ws-wp;%過(guò)渡帶寬度M=ceil(3.32*pi/wdelta);%濾波器長(zhǎng)度，朝正無(wú)窮方向舍入N=2*M+1;%窗口長(zhǎng)度wc=(ws+wp)/2;%截止頻率win=hamming(N);%得到漢明窗的時(shí)域響應(yīng)b=fir1(N-1,wc/pi,win);%濾波器系數(shù)n=0:1:N;[hit]=impz(b,1,n);%得到脈沖響應(yīng)[hfw]=freqz(b,1,512);%得到頻率響應(yīng)接下來(lái)是傅里葉變換Y=fft(y)是快速傅里葉變換的函數(shù)實(shí)現(xiàn)，接著運(yùn)用fft函數(shù)進(jìn)行時(shí)域和頻譜的波形轉(zhuǎn)換，用axis函數(shù)設(shè)置當(dāng)前坐標(biāo)軸x軸和y軸的限制范圍；subplot函數(shù)直接指定劃分方式和位置進(jìn)行繪圖，把IIR濾波前的時(shí)域波形和信號(hào)頻譜表現(xiàn)出來(lái)；subplot(221);%表示將整個(gè)圖像窗口分為2行2列,當(dāng)前位置為1plot(y,'r');title('濾波前信號(hào)的波形');subplot(222);plot(abs(Y),'r');title('濾波前信號(hào)的頻譜');axis([010000500]);接著用fftfile函數(shù)，該函數(shù)的濾波過(guò)程到了用重疊相加法REF_Ref4719\r\h[17]。式子中的b被叫作分子多項(xiàng)式系數(shù)；x是濾波器等待濾波的信號(hào)。這個(gè)函數(shù)是通過(guò)向量b對(duì)y進(jìn)行濾波。y2=fftfilt(b,y1);%調(diào)用fftfile函數(shù)

Y2=fft(y2);subplot(223);plot(y2);title('FIR濾波后信號(hào)的波形');subplot(224);plot(abs(Y2));title('FIR濾波后信號(hào)的頻譜');濾波前后波形對(duì)比：圖3-7FIR濾波器濾波前后波形對(duì)比圖對(duì)比濾波前后信號(hào)波形的變化，與IIR濾波器效果相似，濾波后的頻譜含噪還較高，未展現(xiàn)出明顯的人聲頻段。噪聲和人聲依然較為雜糅。比較聲音在濾波前后的變化，可觀察出濾波后聲音也呈現(xiàn)出發(fā)悶的聽(tīng)覺(jué)感，與純?nèi)寺暡顒e較大，甚至比IIR濾波器濾出的人聲更不清晰。因此FIR濾波器在去除此洗衣機(jī)噪音的效果比IIR濾波器更不好。本設(shè)計(jì)也不選用此種濾波器。從波形和聲音對(duì)比對(duì)比可以看出這兩種matlab提供的標(biāo)準(zhǔn)常見(jiàn)濾波器對(duì)于洗衣機(jī)噪聲的去除效果均不好，因此我們不選用這兩款濾波器。這里設(shè)計(jì)一種可用于提取被平穩(wěn)噪聲污染的信號(hào)的維納濾波器（wienerfiltering），它基于最小均方誤差準(zhǔn)則、對(duì)平穩(wěn)過(guò)程的最優(yōu)估計(jì)器。3.2.2維納（Wiener）濾波器除噪（1）濾波原理基于實(shí)際應(yīng)用的需要，不同原理的濾波方法相繼提出，雖然其擁有不同的推導(dǎo)過(guò)程，但其最終歸屬均是盡可能的減小信號(hào)估算誤差，促使濾波系統(tǒng)所輸出的信號(hào)無(wú)限接近實(shí)際信號(hào)REF_Ref4719\r\h[18]。維納整合梳理了數(shù)學(xué)統(tǒng)計(jì)與線性系統(tǒng)知識(shí)，提出平穩(wěn)過(guò)程的最優(yōu)線性濾波理論，進(jìn)而對(duì)濾波信號(hào)、平滑信號(hào)和預(yù)測(cè)的隨機(jī)信號(hào)的計(jì)算應(yīng)用給予了新的參數(shù)估測(cè)REF_Ref4719\r\h[19]。Wiener維納濾波基本原理如下公式所示：（3-6）（3-7）x(n)通過(guò)線性系統(tǒng)h(n)后得出了的y(n)變成s(n)的最好估計(jì)，我們用(n)表示，即y(n)=(n)，叫做維納濾波。圖3-8維納濾波器的輸入和輸出關(guān)系維納濾波按照最小均方誤差原則、按照混有噪聲的觀察到的結(jié)果，取得了s(n)的最佳估計(jì)(n)。根據(jù)目標(biāo)函數(shù)，可以將濾波算法細(xì)分為最小均方誤差、最小二乘誤差等類別，‘’本研究?jī)H討論最小均方誤差REF_Ref7126\r\h[20]。維納濾波用到均方誤差最小的原理來(lái)進(jìn)行。最佳濾波器的實(shí)現(xiàn)就是目標(biāo)函數(shù)對(duì)系數(shù)的倒數(shù)變?yōu)?的時(shí)候，即：（3-8）其中的Rxd是期望信號(hào)和輸入信號(hào)的矩陣，Rxx表示的是輸入信號(hào)的自相關(guān)矩陣。所以就得出了：（3-9）最后便得到了維納濾波的公式推導(dǎo)和基本原理。（2）濾波器設(shè)計(jì)過(guò)程通過(guò)先驗(yàn)信噪比跟蹤判決導(dǎo)向方法設(shè)計(jì)一個(gè)wiener函數(shù)，來(lái)實(shí)現(xiàn)一種基于先驗(yàn)信噪比跟蹤的維納濾波器。在這個(gè)方法中假設(shè)snrpost=snrprior+1。在此基礎(chǔ)上，維納濾波器可以適用于類似于ephraims模型的模型，該模型的增益函數(shù)是先驗(yàn)信噪比的函數(shù)，先驗(yàn)信噪比采用判決定向方法進(jìn)行跟蹤。functionoutput=Wiener6(signal,fs,IS)if(nargin<3|isstruct(IS))IS=.25;%窗口長(zhǎng)度0.25秒endW=fix(.025*fs);SP=0.4;%位移百分比為40%(10ms)%使用這個(gè)值重疊添加情況良好wnd=hamming(W);通過(guò)調(diào)用segment函數(shù)把信號(hào)分割成幀；切割信號(hào)到重疊窗口段A=SEGMENT(X,W,SP,WIN)返回一個(gè)矩陣，輸入一維信號(hào)的窗口幀x，w是每個(gè)窗口的采樣數(shù)的，默認(rèn)值w=256。Sp是移位百分比，默認(rèn)值sp=0.4。Win是每個(gè)段的窗口，它的長(zhǎng)度應(yīng)該是w，默認(rèn)窗口是hamming窗口。functionSeg=segment(signal,W,SP,Window)ifnargin<3SP=.4;endifnargin<2W=256;endifnargin<4Window=hamming(W);endWindow=Window(:);%使它成為列矢量L=length(signal);SP=fix(W.*SP);N=fix((L-W)/SP+1);%numberofsegments%段數(shù)Index=(repmat(1:W,N,1)+repmat((0:(N-1))'*SP,1,W))';hw=repmat(Window,1,N);Seg=signal(Index).*hw;調(diào)用mean函數(shù)求出初始噪聲功率譜平均值和初始噪聲功率譜方差；運(yùn)用分貝定向法估計(jì)先驗(yàn)信噪比。N=mean(Y(:,1:NIS)')';%初始噪聲功率譜平均值LambdaD=mean((Y(:,1:NIS)').^2)';%初始噪聲功率譜方差alpha=.99;NoiseCounter=0;NoiseLength=9;G=ones(size(N));Gamma=G;接著調(diào)用OverlapAdd函數(shù)重構(gòu)語(yǔ)音信號(hào)，調(diào)用語(yǔ)句如下：y=overlapadd(x，a，w，s);其中y是來(lái)自其聲譜圖的信號(hào)重構(gòu)信號(hào)。x是一個(gè)矩陣，每列是一段信號(hào)的傅里葉變換。a是頻譜的相位角，它應(yīng)該與x具有相同的維度，如果在實(shí)際值為0的情況下它不是給定x的相位角。w是時(shí)間域段的窗口長(zhǎng)度，如果不給定該長(zhǎng)度假定為t窗口長(zhǎng)度的兩倍。s是分割過(guò)程的移位長(zhǎng)度，在非重疊信號(hào)的情況下，它等于w，在p重疊的情況下，它等于w/2。如果沒(méi)有使用w/2。Y是重建的時(shí)域信號(hào)。functionReconstructedSignal=OverlapAdd2(XNEW,yphase,windowLen,ShiftLen);ifnargin<2yphase=angle(XNEW);endifnargin<3windowLen=size(XNEW,1)*2;endifnargin<4ShiftLen=windowLen/2;end最后調(diào)用vad函數(shù)，它的作用是從一段純凈或帶噪語(yǔ)音信號(hào)中標(biāo)識(shí)出語(yǔ)音片段與非語(yǔ)音片段。[NoiseFlag,SpeechFlag,NoiseCounter,Dist]=vad(signal,noise,NoiseCounter,NoiseMargin,Hangover);signal是當(dāng)前幀幅度譜，它被標(biāo)記為噪聲或語(yǔ)音；noise是噪聲幅度譜模板；NoiseCounter中等噪聲幀的數(shù)目；NoiseMargin表示噪聲聲納的譜距閾值。Hangover是噪音片段的數(shù)量；如果NoiseFlag為1則表示這個(gè)片段被標(biāo)記為噪音；NoiseCounter返回以前的噪聲段數(shù)，每當(dāng)檢測(cè)到一個(gè)語(yǔ)音段時(shí)，該值重置為零。Dist表示光譜距離。具體實(shí)現(xiàn)如下：function[NoiseFlag,SpeechFlag,NoiseCounter,Dist]=vad(signal,noise,NoiseCounter,NoiseMargin,Hangover)ifnargin<4NoiseMargin=3;endifnargin<5Hangover=8;endifnargin<3NoiseCounter=0;endFreqResol=length(signal);SpectralDist=20*(log10(signal)-log10(noise));SpectralDist(find(SpectralDist<0))=0;Dist=mean(SpectralDist);if(Dist<NoiseMargin)NoiseFlag=1;NoiseCounter=NoiseCounter+1;elseNoiseFlag=0;NoiseCounter=0;end運(yùn)用以上幾個(gè)函數(shù)，就可以實(shí)現(xiàn)維納濾波器的設(shè)計(jì)。將前文所提到的洗衣機(jī)噪聲濾波，濾波前后波形對(duì)比：圖3-9維納濾波器濾波前后波形對(duì)比圖從波形圖的對(duì)比和語(yǔ)音回放中我們可以清楚發(fā)現(xiàn)，維納濾波器濾除噪聲信號(hào)的效果十分顯著。從時(shí)域波形圖可以看出，其濾出后的人聲波形含噪最少，與純?nèi)寺暤牟ㄐ巫顬榻咏?，雖然除噪后的人聲頻率降低了不少，聲音也有些微發(fā)悶，但人聲最為清晰，噪音最小。可以看出設(shè)計(jì)的維納濾波器對(duì)此類噪聲濾波效果顯著，因此接下去繼續(xù)選用維納濾波器進(jìn)行測(cè)試分析，并進(jìn)行更進(jìn)一步的優(yōu)化完善。3.3語(yǔ)音信號(hào)的輸出將語(yǔ)音信號(hào)通過(guò)保存成聲音文件輸出。將聲音保存成wav格式的音頻文件，儲(chǔ)存在計(jì)算機(jī)中，并通過(guò)matlab調(diào)用sound函數(shù)來(lái)播放。調(diào)用形式為：sound（y,fs）。也可以通過(guò)傳輸線連接到麥克風(fēng)直接播放對(duì)其進(jìn)行輸出。

系統(tǒng)測(cè)試與分析4.1洗衣機(jī)噪聲去噪對(duì)比測(cè)試前面通過(guò)設(shè)計(jì)了一款維納濾波器并進(jìn)行波形分析發(fā)現(xiàn)除噪效果良好，接下來(lái)再進(jìn)行更進(jìn)一步的測(cè)試與完善。首先將它對(duì)洗衣機(jī)噪聲濾波前后時(shí)域波形圖和頻譜圖與純?nèi)寺曨l譜進(jìn)行對(duì)比：圖4-1維納濾波器濾波前后波形對(duì)比圖圖4-2維納濾波后和純?nèi)寺曨l譜對(duì)比圖可以顯著發(fā)現(xiàn)人聲波形被較為清晰濾出，噪聲信號(hào)被濾除，波形清晰完整。雖然濾波后聲音的頻率幅值下降了不少，但是其濾出的頻率清晰，不雜糅，波形平穩(wěn)，高頻與低頻部分呈現(xiàn)的頻譜分別與純?nèi)寺曨l譜呈現(xiàn)的高頻和低頻部分相似，頻譜波形十分接近。通過(guò)聽(tīng)濾波后的人聲我們也可以發(fā)現(xiàn)，聲音雖然有些低沉發(fā)悶，但基本濾除了噪音，保留了純?nèi)寺暎曇羰д嬉膊幻黠@，效果較好。4.2實(shí)地工廠噪聲去噪對(duì)比測(cè)試為了保證測(cè)試的嚴(yán)謹(jǐn)性，本設(shè)計(jì)采集了多種機(jī)器噪聲，其中還引入了真實(shí)工廠環(huán)境下的測(cè)試比對(duì)結(jié)果，該工廠采集的含有多種機(jī)器轟鳴聲，此測(cè)試有較強(qiáng)的的應(yīng)用性與實(shí)踐性，測(cè)試結(jié)果較為準(zhǔn)確。工廠含人聲噪音濾波前后波形對(duì)比圖：圖4-3工廠含人聲噪音濾波前后波形對(duì)比圖工廠含人聲噪音濾波前后頻譜對(duì)比圖：圖4-4工廠含人聲噪音濾波前后頻譜對(duì)比圖對(duì)比波形和頻譜可以很直觀發(fā)現(xiàn)，效果依然十分明顯，噪音被濾除的較為干凈，留下的人聲波形清晰完整，與純?nèi)寺暡ㄐ问纸咏?。雖然頻譜幅值下降了，但含噪率也大大下降。通過(guò)輸出的聲音回放，可以清楚感受到幾乎沒(méi)有噪聲，但是依然存在人聲發(fā)悶的問(wèn)題，有待后期繼續(xù)改善。由此可見(jiàn)設(shè)計(jì)的維納濾波器在實(shí)地工廠應(yīng)用時(shí)，除噪效果十分顯著，維納濾波器對(duì)于有規(guī)律的機(jī)器噪音去除實(shí)現(xiàn)上有較強(qiáng)的可行性。4.3工廠環(huán)境下多人聲去噪對(duì)比測(cè)試為了進(jìn)一步模擬在工廠環(huán)境下除噪效果，考慮到真實(shí)工廠環(huán)境下不同人之間的語(yǔ)音頻率有高有低，本設(shè)計(jì)采集了多人對(duì)話在真實(shí)工廠環(huán)境下的測(cè)試比對(duì)結(jié)果，選取樣本中的人聲頻率不同，對(duì)濾波器的要求做了更進(jìn)一步的提高。此測(cè)試有較強(qiáng)的的應(yīng)用性與實(shí)踐性，能很好模擬工廠中語(yǔ)音對(duì)話場(chǎng)景。工廠多人聲噪音濾波前后波形對(duì)比圖：圖4-5工廠多人聲噪音濾波前后波形對(duì)比圖工廠多人聲噪音濾波前后頻譜對(duì)比圖：圖4-6工廠多人聲噪音濾波前后頻譜對(duì)比圖對(duì)比波形頻譜可以很直觀發(fā)現(xiàn)，效果仍然良好，噪音被濾除的較為干凈，留下的人聲波形清楚完整，能清晰看出人聲頻段，通過(guò)輸出的聲音回放，可以聽(tīng)到濾出的不同人聲，但是依然存在人聲發(fā)悶的問(wèn)題，且由于頻率不同，濾出的人聲失真率也不同，有待后期繼續(xù)改善。由此可見(jiàn)設(shè)計(jì)的維納濾波器在實(shí)地工廠多人對(duì)話場(chǎng)景的應(yīng)用中除噪效果良好?？梢?jiàn)其在此場(chǎng)景中較強(qiáng)的的應(yīng)用性與普適性。4.4改變?yōu)V波器參數(shù)對(duì)比測(cè)試通過(guò)改變?cè)O(shè)計(jì)的維納濾波器中的參數(shù)，來(lái)測(cè)試改變?yōu)V波參數(shù)對(duì)測(cè)試結(jié)果的影響。這里通過(guò)改變?cè)O(shè)計(jì)的wiener函數(shù)中表示不同時(shí)段的語(yǔ)音頻段的IS值來(lái)測(cè)試。將IS值設(shè)為1.5時(shí)測(cè)試結(jié)果波形頻譜如下：圖4-7維納濾波器IS為1.5時(shí)濾波前后波形頻譜對(duì)比圖將IS值設(shè)為0.5時(shí)測(cè)試結(jié)果波形頻譜如下：圖4-8維納濾波器IS為0.5時(shí)濾波前后波形頻譜對(duì)比圖將IS值設(shè)為1.0時(shí)測(cè)試結(jié)果波形頻譜如下：圖4-9維納濾波器IS為1.0時(shí)濾波前后波形頻譜對(duì)比圖對(duì)比可以發(fā)現(xiàn)在不同參數(shù)參數(shù)下，維納濾波器對(duì)于噪聲的濾出效果還是很好，無(wú)論在哪個(gè)語(yǔ)音頻段內(nèi)，都很好地將噪聲濾除，保留了人聲片段。4.5系統(tǒng)的完善與改進(jìn)本系統(tǒng)還有不足之處，用維納濾波器濾出的純?nèi)寺曊Z(yǔ)音并不能特別還原，有發(fā)悶的聲音特點(diǎn)，這是因?yàn)槿寺曨l率也一起被降下來(lái)了，可以通過(guò)頻譜圖發(fā)現(xiàn)人聲被降低了2~3倍，下一步還可以改進(jìn)，比如通過(guò)設(shè)計(jì)放大器增大人聲頻率，放大倍數(shù)設(shè)置到讓其恢復(fù)至原人聲提高清晰度等方法等等，繼續(xù)改善優(yōu)化我的除噪系統(tǒng)，讓其更好在工廠車間發(fā)揮作用。結(jié)束語(yǔ)本次畢業(yè)設(shè)計(jì)是基于matlab的語(yǔ)音背景噪聲去除研究。我通過(guò)這次設(shè)計(jì)了解語(yǔ)音去噪在工廠車間生產(chǎn)領(lǐng)域的重要性，還有它在生產(chǎn)生活上應(yīng)用的普遍性。同時(shí)，對(duì)去噪這個(gè)課題的發(fā)展歷史進(jìn)程，去噪算法的各種原理和分類也進(jìn)行了探索。然后我通過(guò)去噪中重要的兩種信號(hào)：語(yǔ)音信號(hào)和噪聲信號(hào)，把噪聲分為幾種類別并進(jìn)行闡述，并且用幾個(gè)公式表示出噪聲的算法模型。接下來(lái)設(shè)計(jì)一種對(duì)工廠機(jī)器噪聲最佳的濾波器，對(duì)含人聲的帶噪語(yǔ)音信號(hào)去噪，在設(shè)計(jì)中首先對(duì)原始噪聲信號(hào)、純?nèi)寺暫秃寺曉胍粜盘?hào)進(jìn)行波形頻譜分析，找出噪聲與人聲不同的特點(diǎn)，然后根據(jù)它們的特點(diǎn)設(shè)計(jì)濾波器聲音信號(hào)進(jìn)行濾波，通過(guò)分幀把不平穩(wěn)的一段帶噪語(yǔ)音變成盡量清晰的純?nèi)寺曊Z(yǔ)音，并得到增強(qiáng)后的語(yǔ)音信號(hào)。通過(guò)對(duì)仿真結(jié)果圖形的比較，可以發(fā)現(xiàn)維納濾波法有相對(duì)較好的去噪能力。接下來(lái)繼續(xù)進(jìn)行更深一步的測(cè)試分析，通過(guò)工廠實(shí)地錄制的噪音去除效果進(jìn)一步驗(yàn)證了維納濾波器在此類噪聲應(yīng)用方面的良好效果，并提出了此系統(tǒng)的改進(jìn)與完善方案。本文設(shè)計(jì)還有一些不足之處，如方法運(yùn)用上還有待改善和加強(qiáng)，比如用維納濾波器濾出的純?nèi)寺曊Z(yǔ)音并不是特別清晰，下一步還可以通過(guò)設(shè)計(jì)放大器增大人聲頻率等方法，繼續(xù)改善優(yōu)化我的除噪系統(tǒng)等。

參考文獻(xiàn)劉振強(qiáng).彈載GPS數(shù)據(jù)采集及存儲(chǔ)技術(shù)研究[J].中北大學(xué),2011:7-7.洪民江.基于小波變換的語(yǔ)音信號(hào)去噪算法研究[D].南京郵電大學(xué),2018:23.亓新立.基于FPGA的語(yǔ)音增強(qiáng)算法研究與實(shí)現(xiàn)[J],西華大學(xué),2020:15-16.江昱欣,張紅兵.語(yǔ)音信號(hào)增強(qiáng)技術(shù)在語(yǔ)音識(shí)別中的應(yīng)用[J].電子技術(shù)與軟件工程,2021(06):70-71.薛永越.微粒碰撞噪聲檢測(cè)信號(hào)分類特征的對(duì)比分析[D].黑龍江大學(xué),2020:4.楊剛,薛挺,高偉.一種抗運(yùn)動(dòng)干擾的實(shí)時(shí)心率提取方法[J].計(jì)算機(jī)工程與應(yīng)用,2019,55(05):244-250.朱美玥,陳曉娟,李寧.基于LWT-WEST的IGBT器件中1/f噪聲檢測(cè)方法研究[J].長(zhǎng)春理工大學(xué)學(xué)報(bào)(自然科學(xué)版),2020,43(04):92-98.何雯,劉岳,熊春蘭,程焱,吳東華.快速傅里葉變換在FPGA上的實(shí)現(xiàn)[J].信息技術(shù)與信息化,2021(04):163-165.肖駿.基于麥克風(fēng)陣列的實(shí)時(shí)聲源定位技術(shù)研究[D].電子科技大學(xué),2015:6-8智文霞.基于FPGA的紗條信號(hào)波譜分析濾波器的研究與設(shè)計(jì)[D].西安工程大學(xué),2011:23-24.李安.CMOS跨導(dǎo)放大器及其構(gòu)成的濾波器的研究與設(shè)計(jì)[D].湖南大學(xué),2011:39.AnilGarg,O.P.Sahu.AhybridapproachforspeechenhancementusingBionicwavelettransformandButterworthfilter[J].InternationalJournalofComputersandApplications,2020,42(7).化希耀,蘇博妮,張燕.基于Matlab的二維FIR數(shù)字濾波器的設(shè)計(jì)[J].塔里木大學(xué)學(xué)報(bào),2010,22(01):52-57.楊春,宋詩(shī)琴,崔小欣,李紅濱.一種基于IIR濾波器的時(shí)域單頻干擾抑制算法及實(shí)現(xiàn)[J].電子器件,2013,36(02):189-193.黃波.基于頻率采樣法的FIR數(shù)字濾波器仿真與實(shí)現(xiàn)[J].科學(xué)技術(shù)創(chuàng)新,2020(33):122-123.ChandraAbhijit,KumarAmit,RoySubhabrata.DesignofFIRfilterISOTAwiththeaidofgeneticalgorithm[J].Integration,2021(prepublish).劉源源.巴特沃斯濾波器及單相鎖相環(huán)關(guān)鍵問(wèn)題研究[D].華中科技大學(xué),2016.劉宛,董金寧,池思慧,趙柏樹(shù).基于CFA的巴特沃斯低通濾波器設(shè)計(jì)和仿真[J].湖北大學(xué)學(xué)報(bào)(自然科學(xué)版),2019,41(03):313-317.MahataShibendu,KarRajib,MandalDurbadal.Optimaldesignoflatticewavedigitalfractional‐orderButterworthfilter[J].InternationalJournalofCircuitTheoryandApplications,2020,49(1).MohammedJ.Alwazzan,MohammedA.Ismael,AsmaaN.Ahmed.AHybridAlgorithmtoEnhanceColourRetinalFundusImagesUsingaWienerFilterandCLAHE[J].JournalofDigitalImaging,2021(prepublish).

附錄維納濾波器設(shè)計(jì)代碼；functionoutput=Wiener(signal,fs,IS)if(nargin<3|isstruct(IS))IS=.25;endW=fix(.025*fs);SP=0.4;%位移百分比為40%(10ms)%使用這個(gè)值重疊添加情況良好；wnd=hamming(W);pre_emph=0;signal=filter([1-pre_emph],1,signal);NIS=fix((IS*fs-W)/(SP*W)+1);y=segment(signal,W,SP,wnd);Y=fft(y);YPhase=angle(Y(1:fix(end/2)+1,:));%NoisySpeechPhaseY=abs(Y(1:fix(end/2)+1,:));%SpecrogramnumberOfFrames=size(Y,2);FreqResol=size(Y,1);N=mean(Y(:,1:NIS)')';%initialNoisePowerSpectrummeanLambdaD=mean((Y(:,1:NIS)').^2)';%initialNoisePowerSpectrumvariancealpha=.99;NoiseCounter=0;NoiseLength=9;%ThisisasmoothingfactorforthenoiseupdatingG=ones(size(N));Gamma=G;X=zeros(size(Y));%InitializeX(memoryallocation)h=waitbar(0,'Wait...');fori=1:numberOfFramesifi<=NIS%IfinitialsilenceignoreVADSpeechFlag=0;NoiseCounter=100;else%ElseDoVAD[NoiseFlag,SpeechFlag,NoiseCounter,Dist]=vad(Y(:,i),N,NoiseCounter);%MagnitudeSpectrumDistanceVADendifSpeechFlag==0%IfnotSpeechUpdateNoiseParametersN=(NoiseLength*N+Y(:,i))/(NoiseLength+1);%UpdateandsmoothnoisemeanLambdaD=(NoiseLength*LambdaD+(Y(:,i).^2))./(1+NoiseLength);%UpdateandsmoothnoisevarianceendgammaNew=(Y(:,i).^2)./LambdaD;%ApostirioriSNRxi=alpha*(G.^2).*Gamma+(1-alpha).*max(gammaNew-1,0);%DecisionDirectedMethodforAPrioriSNRGamma=gammaNew;G=(xi./(xi+1));X(:,i)=G.*Y(:,i);%ObtainthenewCleanedvaluewaitbar(i/numberOfFrames,h,num2str(fix(100*i/numberOfFrames)));endclose(h);output=OverlapAdd2(X,YPhase,W,SP*W);output=filter(1,[1-pre_emph],output);functionReconstructedSignal=OverlapAdd2(XNEW,yphase,windowLen,ShiftLen)ifnargin<2yphase=angle(XNEW);endifnargin<3windowLen=size(XNEW,1)*2;endifnargin<4ShiftLen=windowLen/2;endiffix(ShiftLen)~=ShiftLenShiftLen=fix(ShiftLen);end[FreqResFrameNum]=size(XNEW);Spec=XNEW.*exp(j*yphase);ifmod(windowLen,2)%ifFreqResolisoddSpec=[Spec;f