1、現(xiàn)代語音通信系統(tǒng)中，大部分的語音信號往往受到背景噪聲的干擾，在一定程度上降低了語音信息的可辨性和人耳的聽覺舒適性，不利于后繼的語音信號處理工作的開展。為了改善語音質(zhì)量，語音增強(qiáng)技術(shù)應(yīng)運(yùn)而生，希望在盡可能不引入新噪聲的前提下，抑制背景噪聲對語音信息的負(fù)面影響，提高帶噪語音的可辨性。
　　鑒于語音信號的稀疏先驗(yàn)性，本文基于稀疏表示框架實(shí)現(xiàn)對帶噪語音的增強(qiáng)處理。通過對字典訓(xùn)練算法和目標(biāo)優(yōu)化函數(shù)的分析，分別研究了基于K-SVD(K-Sin

2、gular Value Decomposition，K-奇異值分解)自適應(yīng)稀疏字典的語音增強(qiáng)方法、基于CNMF（Convolution Nonnegative Matrix Factorization，卷積非負(fù)矩陣分解）的語音增強(qiáng)方法、基于BPFA(Beta Process Factor Analysis)融合模型的自適應(yīng)語音增強(qiáng)方法和基于魯棒貝葉斯自適應(yīng)字典稀疏表示(Robust BayesianDictionary Learning

3、 using Spike-slab Prior，RBDL)模型的語音增強(qiáng)方法。為驗(yàn)證語音增強(qiáng)效果，本文采用信噪比SNR和主觀評測PESQ分?jǐn)?shù)作為評價標(biāo)準(zhǔn)。在ZOIEUS語音庫上，分別針對攜帶不同信噪比高斯噪聲或有色噪聲的帶噪語音，采用上述四種不同的語音增強(qiáng)方法（KSVD、CNMF、BPFA和RBDL）進(jìn)行降噪處理，由實(shí)驗(yàn)統(tǒng)計出的主客觀指標(biāo)結(jié)果顯示，相較于傳統(tǒng)的語音增強(qiáng)方法（譜減法和維納濾波法），本文基于稀疏表示實(shí)現(xiàn)的四種語音增強(qiáng)方法都能

4、取得較好的降噪性能，其中BPFA算法和RBDL模型在計算速度上有很大優(yōu)勢，在干凈語音及噪聲類別未知的情況下能夠獲得很好的PESQ及SNR值。
　　本文的創(chuàng)新點(diǎn)如下:
　　(1)基于CNMF字典融合策略，提出一種統(tǒng)一參考字典的語音增強(qiáng)算法，利用與待處理帶噪語音無關(guān)的干凈語音訓(xùn)練出統(tǒng)一參考字典，融合各種噪聲字典，以解決干凈語音未知情況下帶噪語音增強(qiáng)的問題。與直接使用相關(guān)干凈語音訓(xùn)練得到的字典進(jìn)行CNMF語音增強(qiáng)處理相比較，統(tǒng)一參

5、考字典的CNMF語音增強(qiáng)方法獲得的SNR和PESQ主客觀評價結(jié)果有一定程度的降低，但對有色噪聲的抑制能力較強(qiáng)，具有較好的實(shí)用價值。
　　(2)基于非參數(shù)貝葉斯概率模型，對字典原子增加Bernoulli先驗(yàn)分布及貝塔分布的約束，采用BPFA融合模型實(shí)現(xiàn)語音增強(qiáng)。不需要人工干預(yù)設(shè)置模型參數(shù)，基于BPFA的語音增強(qiáng)方法可根據(jù)輸入語音信號自適應(yīng)收斂得到最佳解決策略，相較于其他基于稀疏表示的語音增強(qiáng)方法，具有較快的計算效率和較高的降噪性能，