基于约束低秩与稀疏分解的子空间语音增强方法技术

本发明专利技术公开了一种基于约束低秩与稀疏分解的子空间语音增强方法，包括如下步骤：(1)对含噪语音进行分帧；(2)对每一帧含噪语音，在时域上构造带噪矩阵Y；(3)对Y进行SVD分解，根据SVD分解结果，利用合成分析法来确定纯净语音的有效秩P；(4)对Y进行低秩和稀疏矩阵分解，得到低秩矩阵L；(5)对得到的L的对角线进行平均运算，从中提取增强信号；(6)对每一帧迭代重复上面的步骤，达到迭代次数后输出语音信号。本发明专利技术具备了子空间方法和低秩和稀疏矩阵分解的优点：可以在线逐帧处理数据，因而可用于实时处理的语音增强任务；可以根据噪声环境自动估计低秩矩阵的有效秩；可以应用于任意的噪声环境，包括稳态和非稳态噪声。

【技术实现步骤摘要】
基于约束低秩与稀疏分解的子空间语音增强方法
本专利技术涉及于语音信号处理
，是一种对含噪语音进行降噪的方法，特别是基于约束低秩与稀疏分解的子空间语音降噪方法。
技术介绍
语音是最有效、最常用和最方便的交流手段之一。近些年，随着信息科学技术的不断向前发展，语音更是成为人机交互的重要手段。智能语音处理技术在许多领域有着广泛的应用前景。但在实际环境中，语音信号总要伴随不同程度的噪声干扰。甚至当干扰严重时，语音信号会完全淹没于噪声中，造成听觉质量的严重下降。语音增强是解决噪声污染的有效技术。语音增强通过抑制噪声对语音的干扰，使得增强处理的语音信号同原始纯净语音信号之间的失真最小。过去几十年来，涌现了各种各样的语音增强算法。目前典型的三大类算法(P.C.Loizou,SpeechEnhancement:TheoryandPractice.NewYork:Taylor&Francis,2007)包括谱减法、基于谱幅度最小均方误差、子空间法。其中，子空间方法由于其良好的降噪性能受到广泛的关注，是目前语音降噪的主流方法。子空间方法的工作原理如下：纯净语音可以被视为含噪语音欧式(Euclidean)空间中的一个子空间。因而，可以寻求一种方法，把含噪语音向量空间分解为一个纯净语音主导的子空间(简称信号子空间)和噪声信号主导的子空间(简称噪声子空间)，通过将噪声子空间置零，同时去除信号子空间中的噪声成分，从而获得纯净语音的估计值。在子空间方法中，如何将含噪语音进行有效的子空间划分，是其中的最核心问题。目前，将含噪语音进行子空间分解，广泛采用线性代数中大家熟知的正交矩阵分解技术，典型的算法包括奇异值分解(singularvaluehard，SVD)或特征值分解(eigenvaluedecomposition,ED)。这两种分解的目的都是求取含噪语音的低秩矩阵，即信号子空间。在基于SVD的子空间算法步骤中，首先将带噪语音信号排列成一个Hankel(或Toeplitz)矩阵。由于纯净语音信号在时域是比较平缓的，可以理解为纯净语音信号排列构成的Hankel(或Toeplitz)矩阵是一个秩值较低的低秩矩阵，因此可用SVD分解获得低秩矩阵。当低秩矩阵的秩近似等于纯净语音的秩时，原矩阵的低秩化近似隐含地忽略了信号子空间的最后消去的列所张成的正交子空间，从而得到增强的语音信号。然而,当数据出现大噪声或离群异常值时，SVD的分解性能将严重下降，少数的异常值就可以带来较大的分解误差。因此，在强噪声条件下，采用传统分解方法(例如SVD和ED分解)获得的低秩矩阵误差很大，从而导致现有子空间方法在低信噪比环境下的工作性能差，语音降噪性能严重下降。RPCA(RobustPrincipalComponentAnalysis)是美国加州理工学院的E.Candes教授和UIUC大学的J.Wright共同提出了一种新的数据分解方法(E.J.Candes,etal.,"RobustPrincipalComponentAnalysis,"JournaloftheACM,vol.58,pp.1-37,2011.)，该方法可以在出现大噪声或离群异常值时，通过对观测数据的进行低秩与稀疏矩阵分解(low-rankandsparsematrixdecomposition，简称LS分解)，从强噪声或异常值中有效地分离出原始低秩矩阵。RPCA目前已经应用于多个研究领域，包括监控的视频目标与背景分离、图像阴影去除、文档检索、歌曲中的伴奏音与语音分离。最近，中国专利公开了一种基于低秩与稀疏矩阵分解的单通道无监督语噪分离方法(公开号：CN102915742A)，该方法首先使用短时傅里叶变换将带噪语音变换到时频域，在时频域中，假定噪声的幅度谱具有低秩结构，语音的幅度谱具有稀疏分布特征，通过LS分解得到稀疏语音矩阵，利用稀疏语音矩阵通过傅里叶逆变换来估计纯净语音信号。该专利的缺点是属于频域处理方法，工作模式属于离线工作方式，必须等待所有的音频数据准备好才能开始处理，不能在线实时处理音频数据。另外，该方法无法根据音频环境自动确定低秩矩阵的有效秩，且只能采用单一的秩来进行频谱图分解，因此无法应用于非稳态噪声环境。
技术实现思路
本专利技术的专利技术目的是提供一种基于约束低秩与稀疏分解的子空间语音增强方法，在子空间方法中通过约束的低秩与稀疏矩阵分解，分离出稀疏的噪声分量和低秩的语音分量。本专利技术的专利技术目的通过以下技术方案实现：一种基于约束低秩与稀疏分解的子空间语音增强方法，包括如下步骤：(1)对含噪语音进行分帧；(2)对每一帧含噪语音，在时域上构造带噪矩阵Y：其中：带噪矩阵Y为((N-M+1)×M)维的Toeplitz矩阵，y()为含噪语音，N为一帧含噪语音中的样本数，M为调节因子；(3)对带噪矩阵Y进行SVD分解，根据SVD分解结果，利用合成分析法来确定纯净语音的有效秩P；(4)对带噪矩阵Y进行低秩和稀疏矩阵分解，得到低秩矩阵和稀疏矩阵，其分解公式为：Y＝L+S+R,rank(L)≤P，L≥0，S≥0其中：L为低秩语音矩阵，S为稀疏噪声矩阵，R为残差矩阵，rank(L)为L的秩；(5)对得到的L的对角线进行平均运算，从中提取增强信号x(n)；(6)对每一帧迭代重复上面的步骤，达到迭代次数后输出语音信号。依据上述特征，步骤(3)求取纯净语音有效秩的具体步骤如下：3.1)首先对带噪矩阵Y进行SVD分解，得到带噪矩阵Y的奇异值δyi(i＝1,2,3...M)，计算含噪语音的能量然后对静音段噪声矩阵D进行SVD分解，得到奇异值δdi(i＝1,2,3...M)，计算噪声能量3.2)计算秩k近似合成信号3.3)计算其中Ek表示含噪语音能量E[y2]与其秩k近似合成信号能量之差。3.4)如果Ek小于停止迭代，输出k，使P＝k，表示纯净语音的有效秩；否则跳到步骤3.2)，k＝k+1,继续执行迭代过程。依据上述特征，步骤(4)中对带噪矩阵Y进行低秩和稀疏矩阵分解的步骤如下：4.1)初始化：X0＝Y，L0＝S0＝0，L∈R(N-M+1)×M,S∈R(N-M+1)×M，||S||0为S中非0元素的个数，P表示L矩阵的秩约束上限；迭代次数i＝1；最大迭代次数imax＝50；误差阀值δ＝10-2；4.2)更新低秩矩阵Li:(U,S,V)＝SVD(Xi-1)，Li＝UiSiViT，Si∈RP×P,Ui∈R(N-M+1)×P，Vi∈RP×M，其中Li是经过第i次迭代L的估计值，矩阵SVD分解后，只取前P个最大的奇异值，重组后得到L矩阵；4.3)使用软门限算子更新稀疏矩阵Si：其中符号表示矩阵对应位置元素乘积，λ是与噪声水平有关的门限常数。4.4)更新叠加矩阵：Xi＝Li+Si，4.5)如果i达到最大迭代次数imax或者停止迭代，输出L和S的估计值，否则i＝i+1，跳到步骤4.2)，继续执行迭代过程。本方法和已有的方法相比具有以下优势：(1)和传统的子空间方法相比，本专利技术给出的方法的优点在于鲁棒性好，参数少易调节，在低信噪比环境下求取的低秩矩阵准确性高，因此特别适合在强噪声的环境下进行语音降噪。(2)与上面所述专利102915742A不同，本专利技术所提方法属于时域处理方法，同时具备了子空间方法和低秩和稀疏矩阵分本文档来自技高网...

【技术保护点】
1.一种基于约束低秩与稀疏分解的子空间语音增强方法，包括如下步骤：(1)对含噪语音进行分帧；(2)对每一帧含噪语音，在时域上构造带噪矩阵Y：

【技术特征摘要】
1.一种基于约束低秩与稀疏分解的子空间语音增强方法，包括如下步骤：(1)对含噪语音进行分帧；(2)对每一帧含噪语音，在时域上构造带噪矩阵Y：其中：带噪矩阵Y为((N-M+1)×M)维的Toeplitz矩阵，y()为含噪语音，N为一帧含噪语音中的样本数，M为调节因子；(3)对带噪矩阵Y进行SVD分解，根据SVD分解结果，利用合成分析法来确定纯净语音的有效秩P；(4)对带噪矩阵Y进行低秩和稀疏矩阵分解，得到低秩矩阵和稀疏矩阵，其分解公式为：Y＝L+S+R,rank(L)≤P，L≥0，S≥0其中：L为低秩语音矩阵，S为稀疏噪声矩阵，R为残差矩阵，rank(L)为L的秩；(5)对得到的L的对角线进行平均运算，从中提取增强信号x(n)；(6)对每一帧迭代重复上面的步骤，达到迭代次数后输出语音信号。2.根据权利要求1所述一种基于约束低秩与稀疏分解的子空间语音增强方法，其特征在于所述步骤(3)求取纯净语音有效秩的具体步骤如下：3.1)首先对带噪矩阵Y进行SVD分解，得到带噪矩阵Y的奇异值δyi(i＝1,2,3...M)，计算含噪语音的能量y2：然后对静音段噪声矩阵D进行SVD分解，得到奇异值δdi(i＝1,2,3...M)，计算噪声能量3.2)计算秩k近似合成信号...

【专利技术属性】
技术研发人员：庄迁政，李晓东，原帅，王文豪，胡墨，裘旭益，岳新启，孙成立，
申请(专利权)人：中国航空无线电电子研究所，
类型：发明
国别省市：上海,31