基于小波信号语音重构设计与实现外文翻译.docVIP

毕业设计外文翻译 基于小波信号的语音重构设计与实现 Design and Implemention of Speech Signal Reconstruction Based on Wavelet 基于小波变换的语音信号混合阈值去噪 摘要：小波变换已经成为一个强大的工具，信号分析和广泛使用在许多应用中包括信号检测与去噪。小波阈值去噪技术提供了一种新的语音信号去噪方式。然而，软阈值降噪最好，但是保留边缘最差，硬阈值是保持边缘最好。 出于寻找一个混合阈值的方法，一般的情况下，采用软、硬阈值实现折衷的方法，提出了降低噪声系数噪声。评估性能的方法，一个干净的语音数据集从训练数据与白噪声信噪比水平范围从-10分贝至10分贝。最后，实验结果表明，提出的混合阈值语音信号去噪比较硬阈值和软阈值方法优越。 1.简介 语音增强方法可以用来增加设备的语音质量,如在我们日常生活中的手机电话，数字助听器和人机通信系统，使他们能在更强大的噪音条件下很好的应用。但是问题去噪的目的是去除噪声，但是不能改变它。傅里叶变换是长期以来人们选择的来抑制噪声的方法。然而最近，基于小波变换的方法越来越受欢迎。小波通过噪声污染为非线性信号滤波提供一个强大的工具。Mallat和Hwang[1]表明，有效抑制噪声，可转化为小波域噪声信号，并保留只变换的局部极大。另外，重建，只使用了大幅度系数已显示没有噪声的信号。换句话说，噪声抑制达到阈值的小波变换的噪声信号，Donoho[2]采用小波域阈值，并表现出接近最优性能有广泛的信号类损坏的加性高斯白噪声。 已发现利用小波在信号和图像处理是非常有用的工具，为解决各种工程问题，去噪是其中之一。基于谱减法的经典方法[3]为了这个目的，但是他们引进人工噪声和改变原始信号是有效的。donoho[4]介绍了小波阈值（收缩）作为强大的工具，在加性白噪声的去噪信号退化。小波阈值去噪方法的基础上的多分辨率分析的原则。离散细节系数和离散逼近系数可以得到一个多层次的小波分解[5]。格罗斯曼[6]证明了的细节的差异和振幅。 在各级的白噪声降低定期水平的提高。另一方面，规模的变化是不相关的可用信号的幅度和方差小波变换。根据小波变换的噪声和可用信号的属性，我们可以削弱甚至消除噪音。 在信号去噪中最知名的阈值方法的软、硬阈值。我们可以预期，软阈值技术将引入更多的错误或偏见比硬阈值不[7]。但另一方面，软阈值去噪更有效。实现了这两种方法之间的妥协，混合阈值本文提出了将软、硬结合，以减少噪音的方法。 本文组织如下：第一节中，我提出了小波多尺度的原则。第二节语音信号增强的建议方案。在第三节的小波域阈值去噪介绍，软、硬阈值和语音增强的目的，提出了性能更好的混合阈值去噪方法。在第四节中，实验结果进行了讨论，验证所提出的阈值算法。最后第五节总结提出的研究工作 2.小波的多分辨率原理 S.Mallat[1]介绍了小波分解的方法，根据多分辨率的原则给定一个尺度函数，它的转化和扩张生成子空间，这样 (1) 存在小波，它的转换和扩张生产的“细节”子空间给的基础上，所以我们可以得到 一个信号可以分解 (2) 其中级的信号是离散的细节系数和水平和的近似系数低通滤波器和高通滤波器，分别对应于一些小波基和他们连接 (3) 其中是滤波器的长度。信号的重建算法 (4) 将得到的，这是原始信号时，重复的重建公式(4)。 2.1语音信号的去噪方案 含有噪声语音信号可以模拟作为原信号和噪声的总和。如果信号包括环境噪声，环境果噪声信号其中是原信号的模型，是噪声成分。这样：其中：在小波域。 矩阵符号表示在每个等级和时间的系数。该方法的方框图如图1所示。然后是由不同的线性因子表示每个等级和时间捕获的时的自然噪声。这一因素影响小波振幅包络的时间，但不影响频率。 由此产生的小波变换系数，计算时间常数与产生的小波变换系数。 (5) 当时，活的常态归为4DB小波系数如下 (6) 由于它是一个离散小波，这种计算方法要求没有集成和更有效率。删除阈值的小波系数的噪声成分的基础上，在许多信号（如语音），能源主要集中在少数小尺寸的观察。 图1-1 解决方案 这些尺寸的系数也比较大，相比其他尺寸或任何其他信号（