[發(fā)明專利]基于仿生小波變換的語音增強(qiáng)方法

有效

• 申請?zhí)枺?/td>: 202011128758.5
• 申請日: 2020-10-20
• 公開（公告）號: CN112530449B
• 公開（公告）日: 2022-09-23
• 發(fā)明（設(shè)計(jì)）人: 張世強(qiáng);王鴻飛;李俐欣;張婷娟;黃雷
• 申請（專利權(quán)）人: 國網(wǎng)黑龍江省電力有限公司伊春供電公司;國家電網(wǎng)有限公司;東北電力大學(xué)
• 主分類號: G10L21/02
• 分類號: G10L21/02;G10L21/0332;G10L21/007;G10L25/27
• 代理公司: 哈爾濱市松花江專利商標(biāo)事務(wù)所 23109
• 代理人: 岳泉清

1.一種基于仿生小波變換的語音增強(qiáng)方法，其特征是，它包括的內(nèi)容有：構(gòu)建仿生小波變換閾值函數(shù)，采用人工蜂群算法尋找最優(yōu)閾值，利用構(gòu)建的新閾值函數(shù)和最優(yōu)閾值實(shí)現(xiàn)語音信號去噪，

1)所述構(gòu)建仿生小波變換閾值函數(shù)

采用硬閾值函數(shù)及軟硬閾值折衷函數(shù)構(gòu)造一種新閾值函數(shù)，表達(dá)式為：

式中，α表示調(diào)節(jié)參數(shù)，α∈[0,0.5]，當(dāng)α＝0時(shí)，新閾值函數(shù)近似為硬閾值函數(shù)，當(dāng)α＝0.5時(shí)，新閾值函數(shù)接近于軟硬閾值折衷函數(shù)；

①新閾值函數(shù)具有連續(xù)性

當(dāng)函數(shù)的定義域|w_j,k|＞λ，新閾值函數(shù)|w_j,k|→λ，即w_j,k無限逼近于λ時(shí)

當(dāng)函數(shù)的定義域|w_j,k|＜λ，新閾值函數(shù)|w_j,k|→λ，即w_j,k無限逼近于λ時(shí)

所述式(2)和(3)中，函數(shù)在w_j,k＝±λ時(shí)的值固定且連續(xù)；

②新閾值函數(shù)的漸進(jìn)線為

當(dāng)|w_j,k|≥λ時(shí)，新閾值函數(shù)

當(dāng)|w_j,k|≥λ時(shí)，則

所述式(4)和(5)中，閾值函數(shù)為奇函數(shù)，閾值函數(shù)以為漸近線，隨著w_j,k的增大無限趨近于|w_j,k|；

2)所述采用人工蜂群算法尋找小波仿生變換的最優(yōu)閾值

將人工蜂群算法應(yīng)用到語音信號閾值去噪的過程中，通過對閾值選取過程中增加調(diào)節(jié)參數(shù)，優(yōu)化閾值的選取，采用人工蜂群算法最優(yōu)蜜源搜索來求解優(yōu)化問題，同時(shí)結(jié)合閾值去噪的特性，依照適應(yīng)度函數(shù)獲取適應(yīng)度最優(yōu)的參數(shù)，

在人工蜂群算法過程中，種群大小為SN，最大迭代次數(shù)MaxCycle，控制參數(shù)為limit，在搜索過程中獲得隨機(jī)初始解x_i(i＝1,2,…,SN)，在搜尋過程中，首先進(jìn)行初始化種群：

式中，v_i,j和x_i,j分別為采蜜蜂搜索的前后位置，i為第i個(gè)蜜源，j∈{1,2,…,D}及k∈{1,2,…,N}是隨機(jī)產(chǎn)生的，同時(shí)k≠i，

適應(yīng)度值的表達(dá)式為：

其中，f_i表示優(yōu)化問題的目標(biāo)函數(shù)；帶噪語音信號增強(qiáng)后的信噪比SNR：

式中，N表示語音信號長度；y(t)和分別表示去噪后的語音信號和帶噪語音信號偵察蜂選擇蜜源的概率計(jì)算：

式中，fitness_i表示第i個(gè)解對應(yīng)的適應(yīng)度值，

當(dāng)全部的觀察蜂搜索完畢之后，判斷這個(gè)解經(jīng)歷limit次循環(huán)后是否被更新，如果未被更新，那么此蜜源被舍棄，如果舍棄蜜源x_i，那么該蜜源對應(yīng)的采蜜蜂變化為偵察蜂，偵察蜂此時(shí)尋覓新的蜜源替代舊的蜜源，

x_i,j＝x_minj+rand(0,1)(x_maxj-x_minj) (10)

式中，x_maxj和x_minj分別表示維度j的上界和下界，j∈{1,2,…,D}，然后采蜜蜂繼續(xù)搜尋過程，重復(fù)循環(huán)上述過程；

人工蜂群算法對食物源評價(jià)是采用貪婪選擇的方法，表示為：

人工蜂群算法實(shí)現(xiàn)步驟為：

(a)采用隨機(jī)初始化的方法初始化種群，包括種群的大小SN，最大迭代次數(shù)MaxCycle以及控制參數(shù)limit：

(b)通過式(7)采蜜蜂從相鄰的域找尋新解和計(jì)算新解的適應(yīng)度值,標(biāo)記適應(yīng)度值大的個(gè)體，而通過式(11)實(shí)行貪婪選擇，在新蜜源和舊蜜源中選擇更好的那一個(gè)；

(c)依據(jù)式(9)觀察蜂選擇一個(gè)蜜源位置，在此蜜源位置進(jìn)行采蜜并偵察新的蜜源位置，仿照(b)步驟，標(biāo)記適應(yīng)度值大的個(gè)體，而后進(jìn)行貪婪選擇，在新蜜源和舊蜜源中選擇更好的那一個(gè)；

(d)判斷采蜜蜂和觀察蜂的查找次數(shù)是否超出規(guī)定上限limit，若超過，則淘汰該蜜源，其對應(yīng)的采蜜蜂或者觀察蜂轉(zhuǎn)換為偵查蜂，并依照式(6)隨機(jī)產(chǎn)生一個(gè)新的蜜源，以新蜜源來代替舊蜜源；

(e)標(biāo)記這時(shí)獲取的最好的蜜源位置，同時(shí)轉(zhuǎn)到(b)步驟，直至到達(dá)最大迭代次數(shù)MaxCycle，并且標(biāo)記此時(shí)的最優(yōu)蜜源位置；

(f)假如在一只采蜜蜂的位置周圍搜索上限達(dá)到limit時(shí)，仍然未尋找到更優(yōu)的位置，那么依據(jù)式(10)隨機(jī)獲取新解并進(jìn)行替代；

(z)如果到達(dá)最大迭代次數(shù)，那么輸出此時(shí)的最優(yōu)解，如果沒有到達(dá)最大迭代次數(shù)，則跳轉(zhuǎn)到(b)步驟；

采用人工蜂群算法優(yōu)化去噪過程中對閾值的選取，在對閾值的選取時(shí)，加入調(diào)節(jié)參數(shù)θ，利用人工蜂群算法，對調(diào)節(jié)參數(shù)θ進(jìn)行尋優(yōu)處理，優(yōu)化選取的閾值估計(jì)，因此閾值的選取表達(dá)式為：

其中，σ_j為第j層噪聲方差；N表示語音信號長度；θ表示語音相關(guān)性的調(diào)節(jié)參數(shù)，采用人工蜂群算法來搜索θ的最優(yōu)解，而后進(jìn)行閾值的調(diào)節(jié)，以此來獲得更優(yōu)的閾值估計(jì)；

3)所述基于構(gòu)建的新閾值函數(shù)和最優(yōu)閾值實(shí)現(xiàn)語音信號去噪

采用分幀的方式處理輸入的語音信號，將經(jīng)過預(yù)處理后的語音信號進(jìn)行小波變換，獲得各個(gè)尺度的小波系數(shù)，然后將小波變換轉(zhuǎn)變?yōu)榉律〔ㄗ儞Q，獲得仿生小波變換系數(shù)，對變換后的仿生小波系數(shù)實(shí)行閾值處理，閾值取為：

式中，σ是噪聲方差，N為語音信號長度，用式(14)來估計(jì)噪聲方差值，

其中，MAD表示平均絕對偏差(Mean Absolute Deviation)，對噪聲方差值的求取，采用第1層分解獲取的高頻系數(shù)cD₁，主要取噪聲信號系數(shù)，其次，每一層可以分別取不同的閾值，即λ_j，

式中，σ為噪聲方差，根據(jù)每一層，估計(jì)噪聲方差：

式中，{d_p,i,i＝1,2…N/2}表示最高分辨率時(shí)的細(xì)節(jié)信號，基于人工蜂群算法的閾值估計(jì)，得：

對于閾值函數(shù)采用新閾值函數(shù)，進(jìn)行閾值處理，閾值函數(shù)去噪后，將仿生小波系數(shù)轉(zhuǎn)換到普通小波域上，然后進(jìn)行小波逆變換，即重構(gòu)語音信號，最終得到去噪后語音信號。