應用獨立成分分析、對數頻譜預估、及頻率成分調整技術做語音增強之研究

A study on speech enhancement using independent component analysis,log-spectral amplitude estimation and frequency component modification techniques

李銘浚(Ming-Jun Lee)

指導教授 ： 王小川

國立清華大學/電機資訊學院/電機工程學系/碩士(2007年)

https://doi.org/10.6843/NTHU.2007.00261

摘要

本篇論文的目的是發展一個能將語音訊號裡的背景雜訊去除的有效方法。我們安排了一個系統流程來去除雜訊，這個系統總共有三個階段，分別為頻域獨立成分分析、最佳化修正對數頻譜預估(OM-LSA)、以及頻率成分調整技術(FCMT)。首先，我們一開始使用頻域獨立成分分析(ICA)法來作為我們的第一階段去雜訊處理，這個方法是利用兩個聲源彼此間的獨立性，可以有效的分離出兩個通道中所接收到的兩個聲源訊號，但是實際上兩個聲源的獨立條件不會是如此的理想，所以還需做白色化處理使兩個聲源接近獨立。接下來我們使用最佳化修正對數頻譜預估(OM-LSA)來作為我們第二階段去雜訊處理，因為最佳化修正對數頻譜預估(OM-LSA)需要有參考雜訊頻譜的資訊，所以這裡我們調變以雜訊為主的聲源訊號的scale來作為參考雜訊，使用最佳化修正對數頻譜預估(OM-LSA)的演算法，進一步去除主聲源(即目標語音)中的雜訊，在經過前兩個階段之後，我們已經可以去除大部分的雜訊，尤其當麥克風收音端SNR在0dB以上時的效果最好，但是當麥克風收音端SNR在0dB以下時，做完以上的演算法之後還是會開始殘留少量的雜訊，因此我們最後再想出了使用頻率成分調整技術(FCMT)，針對尚有殘留雜訊的語音資訊再進一步細微的去雜訊處理。實驗結果顯示，這樣的方法，在麥克風收音端SNR為-10dB以上時，可以有效的去除雜訊，在-10dB ~ -15dB之間也可以去除大部份的雜訊。

關鍵字

獨立成分分析 ； 對數頻譜預估 ； 頻率成分調整技術

並列摘要

無資料

並列關鍵字

ICA ； LSA

參考文獻

Approach to blind separation and blind deconvolution,” Neural

[2] P. Comon, “Independent component analysis—A new

concept?,” Signal Processing, vol. 36, pp. 287–314,1994

Enhancement Approach Incorporating Masking Properties” The

[4] Israel Cohen , Baruch Berdugo “Speech enhancement for