下载文档原格式
一种双麦克风自适应语音降噪算法研究与实现在传统的单麦克风语音降噪算法中，通常通过估计噪声的统计特性来对语音进行降噪。
然而，由于单个麦克风无法同时采集到语音和噪声的不同特性，这种方法往往会导致语音的失真。
双麦克风自适应语音降噪算法通过同时采集两个麦克风的信号，以提高降噪性能。
该算法的核心思想是通过两个麦克风采集到的信号之间的相关性来估计噪声和语音的分布情况，并根据估计结果对信号进行处理。
具体而言，双麦克风自适应语音降噪算法包括以下步骤：1.信号采集：使用两个麦克风同时采集语音信号和噪声信号。
2.相关性估计：使用相关性估计方法计算两个麦克风信号之间的相关系数。
通常可以通过互相关函数或协方差矩阵来实现。
3.噪声估计：根据麦克风信号的相关系数估计噪声的特性。
可以使用自适应滤波器或统计估计方法来实现。
4.语音估计：通过噪声估计结果和原始麦克风信号来估计语音的特性。
通常可以使用估计滤波器或解调方法来实现。
5.信号处理：根据估计结果对麦克风信号进行处理，以实现降噪效果。
可以使用滤波器或者其他信号处理方法来实现。
6.输出重构：将处理后的信号进行重构，并发送给下游应用程序或设备。
值得注意的是，双麦克风自适应语音降噪算法需要针对不同的噪声环境进行参数调整和优化。
因此，在实际应用中，往往需要进行在线学习和自适应控制，以实现更好的降噪效果。
总结而言，双麦克风自适应语音降噪算法是一种通过两个麦克风采集信号，并通过相关性估计和噪声估计来降低噪音的算法。
该算法可以应用于多种实际场景，并通过信号处理和输出重构来实现降噪效果。
在实际应用中，需要进行参数优化和自适应控制，以实现更好的降噪性能。
课程设计任务书学生姓名：专业班级：指导教师：工作单位：题目: 基于RLS算法的多麦克风降噪设计任务:给定主麦克风录制的受噪声污染的语音信号和参考麦克风录制的噪声，实现语音增强的目标，得到清晰的语音信号。
设计要求：（1）阅读参考资料和文献，明晰算法的计算过程，理解RLS算法基本过程；（2）主麦克风录制的语音信号是RLSprimsp.wav，参考麦克风录制的参考噪声是RLSrefns.wav，用matlab指令读取；（3）根据算法编写相应的MATLAB程序；（4）算法仿真收敛以后，得到增强的语音信号；（5）用matlab指令回放增强后的语音信号；（6）分别对增强前后的语音信号作频谱分析。
指导教师签名：年月日系主任（或责任教师）签名：年月日摘要MATLAB功能强大、简单易学、编程效率高，可以很方便地进行信号分析、处理和设计。
自适应滤波器经过几十年的发展和完善，已逐渐成为人们常用的语音去噪技术，而MATLAB的出现又为其提供了更为方便快捷的方法来对语音信号进行去噪处理。
而递推最小二乘（RLS，Recusive Least-Squares）算法是其中一种常用的线性自适应滤波算法。
标准RLS算法是通过输入数据的相关矩阵来完成权向量的计算，矩阵来完成最小二乘向量的计算。
QR-RLS算法则是基于脉冲响应数字滤波器（FIR），其实现是通过直接处理经QR 分解的输入数据矩阵来完成权向量的计算，在数值上比标准的RLS算法更稳定。
MATLAB的工具箱中包含RLS自适应滤波器的两个应用函数。
关键词：MATLAB，自适应滤波，RLS算法AbstractMATLAB is powerful, easily learned, programming, and high-efficiency.It can be analyse, processed and design easily. After decades of development and perfection, adaptive filter has gradually commonly used for speech sound denoising technology, and the emergence of MATLAB has provided a more convenient way to deal with the noise speech signal. Meanwhile,the recursive Least Squares (RLS, Recusive further - Squares) algorithm is one of the commonly used linear adaptive filter algorithm.Through dealing with the input data, Standard matrix RLS algorithm can complete the calculation of weight vector,and the matrix is to complete the least squares vector calculation. QR - RLS algorithm is based on impulse response (FIR) digital filter, its implementation is through direct processing by the input data matrix QR decomposition to complete the calculation of weight vector, the RLS algorithm is more stable than the standard value. MATLAB toolbox contains two applications of RLS adaptive filter function.Key words: MATLAB, adaptive filtering, RLS algorithm,目录摘要0Abstract (1)目录21 基本原理31.1 基于RLS算法的自适应滤波器31.2 RLS算法原理41.3 RLS算法的步骤62 原始语音信号采集72.1 语音信号的采样理论依据72.2 语音信号的分析83、基于RLS算法的多麦克风降噪的方法论证103.1 自行编写BLS 算法程序块103.2 直调用的RLS 算法函数设计程序104 提取语音信号115 调试程序125.1环境噪声中的语音波形分析125.2 RLS 算法的滤波效果：135.3分别对增强前后的语音信号做频谱分析14心得体会15参考文献16附录：程序清单171 基本原理1.1 基于RLS 算法的自适应滤波器所谓自适应实现是指利用前一时刻获得的滤波器参数，根据估计误差自动调节现时刻的参数，使得某个代价函数达到最小，从而实现最优滤波。
语音降噪LMS算法语音降噪中的LMS算法，全称为最小均方（Least Mean Square）算法，是一种基于最小均方误差准则的自适应滤波算法。
LMS算法是一种在线算法，它通过对滤波器的权值进行不断调整，使得滤波器的输出尽可能接近于期望输出，从而实现降噪的效果。
LMS算法的核心思想是不断地通过调整滤波器的权值，使得滤波器的输出与期望输出的均方误差最小。
具体而言，LMS算法通过不断迭代，根据误差信号和输入信号的相关性来更新滤波器系数。
其迭代更新公式如下：w(k+1)=w(k)+μe(k)x(k)其中，w(k)代表第k次迭代时的滤波器权值，μ代表步长因子，e(k)代表当前时刻的误差信号，x(k)代表当前时刻的输入信号。
LMS算法的步骤如下：1.初始化滤波器权值w，并设置迭代次数上限。
2.对于每一个输入信号x(k)，计算滤波器的输出y(k)。
3.根据输出信号y(k)与期望输出信号d(k)的差异，计算误差信号e(k)。
4.根据误差信号e(k)和输入信号x(k)的相关性，更新滤波器的权值w(k+1)。
5.重复步骤2-4，直到达到迭代次数上限或误差信号足够小。
LMS算法具有以下几个特点：1.算法简单、易于实现。
LMS算法只需要进行简单的乘法和加法操作，计算量较小，适用于实时应用。
2.算法收敛速度较快。
LMS算法通过不断更新滤波器的权值，能够在较短的时间内达到较好的降噪效果。
3.算法对噪声的改变敏感。
由于LMS算法在线更新滤波器的权值，当噪声的统计特性改变时，算法需要重新适应，对噪声的自适应性较差。
在语音降噪领域，LMS算法常常结合其他降噪算法一起使用，比如自适应滤波、频域滤波等。
通过组合多种算法，能够更好地消除噪声，提取出清晰的语音信号。
此外，为了进一步提升降噪效果，可以使用多通道的LMS算法，利用多个麦克风采集到的信号进行降噪处理。
这种多通道的LMS算法能够提高信号与噪声的信干比，进一步改善降噪效果。
总结起来，语音降噪中的LMS算法是一种基于最小均方误差准则的自适应滤波算法。
基于LMS算法的有源降噪技术研究第一章绪论随着信息技术的发展，各种新型电子产品相继问世，但由于信号传输的复杂性，产生噪声的情况也越来越突出。
因此，有源降噪技术成为了研究的热点之一。
本文研究的有源降噪技术基于LMS算法。
第二章有源降噪技术的原理有源降噪技术主要基于反馈控制原理，通过添加抗噪声信号来抵消噪声信号，从而降低整个信号的噪声水平。
在有源降噪系统中，主要分为两种信号，一种是被噪声污染的信号，另一种是抗噪声信号，通过这两种信号的叠加，可以得到更清晰、更高质量的信号。
其中，LMS算法是常用的一种有源降噪方法。
LMS算法主要基于最小均方误差的原理，在每一次反馈过程中进行误差的计算，根据误差大小进行调整，最终达到噪声降低的效果。
第三章 LMS算法的实现过程LMS算法的实现过程主要包括以下几个步骤：1. 初始化权重向量。
权重向量大小为滤波器的长度，初始值一般为0。
2. 输入原始的信号，得到噪声信号以及需要去噪声的信号。
3. 对每个样本进行处理。
设第i个样本的输入为x(i)，输出为y(i)，则滤波器对第i个样本的输出为：y(i)=wT(i)x(i)其中，w(i)表示第i次迭代时权重向量。
4. 计算误差，误差为：e(i)=d(i)-y(i)其中，d为去噪后的输出信号。
5. 根据误差更新权重向量。
权重向量的更新公式为：w(i+1)=w(i)+μe(i)x(i)其中，μ为步长因子。
6. 重复步骤3-5，直至滤波器的输出满足需求。
第四章 LMS算法的优缺点LMS算法的优点在于：1. 算法简单易懂，容易实现。
2. 自适应性强，适用于多种噪声环境下的降噪效果。
3. 算法具备一定的鲁棒性，对于噪声的变化能够快速适应。
4. 内存占用少，对于处理大规模数据有一定的优势。
LMS算法的缺点在于：1. LMS算法必须依赖于噪声信号的统计特性，因此需要对噪声做一定的先验分析。
2. LMS算法在一些极值情况下会有不收敛的问题。
3. 算法会受到信号之间相关性的影响，可能会导致滤波器输出的失真。
信号处理与分析课程设计报告项目名称：基于LMS最小均方误差法的语音降噪姓名：07021102 台斯瑶07021106 王金泊指导教师：李如玮目录一、课题背景和简介 (3)二、训练目的 (3)三、训练内容 (4)四、最小均方差LMS实现自适应滤波器的方法介绍 (4)五、实验设计及实施过程 (6)1、滤波器结构设计 (7)2、高斯白噪声的实现方法 (8)3、LMS算法的实现 (10)六、实验结果分析 (11)七、从实验中分析LMS算法的缺点 (14)八、实验完整程序 (14)九、参考文献 (18)十、特别鸣谢 (18)一、课题背景和简介本课题是根据电子信息类本科生信号处理和分析课程的学习内容和语音信号处理的实际应用相结合而设计的实践性训练。
课程训练以数字信号处理为基础，在掌握基本原理的同时，理解语音信号的相关知识并结合实际应用实现对语音信号的分析和处理。
滤波是一种数字信号处理操作，其目的是为了处理某个信号，以便提取出输入信号中所包含的期望信息。
在数字信号处理课程中，我们基本掌握了一些线性滤波器的设计方法，有固定的规范可遵循。
而在我们的实际生活中，充满了偶然和随机，时不变滤波器已不能够满足更好效果的滤波。
在这种情况下，我们就需要自适应滤波器。
可以看到，随着数字超大规模集成技术的发展，自适应滤波技术在很多领域得到了广泛应用。
最小均方算法是一种搜索算法，他通过对目标函数进行适当的调整，简化了对梯度相量的计算。
由于其计算简单性，LMS算法以及其它一些相关算法已广泛应用于自适应滤波的各种应用中。
而LMS算法是自适应滤波理论中应用最广泛的算法。
这主要归因于其地计算复杂度、在平稳环境中的收敛性、其均值无偏地收敛到维纳解以及利用有限精度算法实现时的稳定特性等等。
对LMS最小均方算法的学习，将加深我们对数字信号处理课程的理解，同时对我们今后滤波技术的应用奠定了巩固的基础。
二、训练目的1. 通过利用c程序实现数字信号处理的相关功能，巩固对信号处理原理知识的理解，提高实际编程和处理数据的综合能力，初步培养在解决信号处理实际应用问题中所应具备的基本素质和要求。
基于LMS算法滤波的语音降噪研究语音降噪是一项重要的音频信号处理技术，其应用广泛，包括通信、语音识别、语音合成等领域。
在实际应用中，由于环境噪声的存在，语音信号往往受到干扰，导致语音质量下降，因此需要采用降噪算法对语音信号进行处理以提高语音质量。
LMS算法（Least Mean Square）是一种常用的自适应滤波算法，具有较低的计算复杂度和快速的收敛速度，适用于实时语音降噪的应用场景。
本文将基于LMS算法对语音信号进行降噪研究。
LMS算法的基本原理是在时域上对输入信号进行滤波，通过不断调整滤波器的权值，使输出信号尽可能接近期望信号。
算法的核心思想是通过最小化误差信号的均方差来更新权值，从而逐步逼近最佳滤波器。
在语音降噪中，输入信号包括语音信号和噪声信号，我们的目标是将噪声信号滤除，保留语音信号。
通过加性噪声模型，我们可以得到语音信号和噪声信号的线性组合，即输入信号。
首先，我们需要对输入信号进行分帧处理，将长时间的信号划分为小的时间段，每段称为帧。
然后，对每一帧信号应用LMS算法进行降噪处理。
在LMS算法中，首先需要初始化滤波器的权值，可以随机选择一组初始权值。
然后，对每一帧信号，将输入信号输入到滤波器中得到输出信号，计算输出信号与期望信号之间的误差。
通过最小化误差信号的均方差，更新滤波器的权值，使输出信号逐步逼近期望信号。
重复这个过程，直到滤波器的权值收敛或达到最大迭代次数。
LMS算法有一定的优点，如计算复杂度较低、收敛速度较快。
然而，它也存在一些缺点。
首先，它对输入信号的统计特性要求较高，如果输入信号不满足高斯分布或平稳性的假设，则算法的性能可能会下降。
此外，LMS算法对于信噪比较低的情况效果较差，无法充分抑制噪声。
为了提高语音降噪的效果，可以采用改进的LMS算法或结合其他降噪算法。
例如，可以借鉴NLMS算法（Normalized LMS）对LMS算法进行改进，消除了对输入信号统计特性的依赖。
基于RLS算法的多麦克风降噪MATLAB实现基于RLS（Recursive Least Squares）算法的多麦克风降噪是一种常用的信号处理技术，可以有效地降低噪声对音频信号的干扰。
本文将介绍如何使用MATLAB实现基于RLS算法的多麦克风降噪。
多麦克风降噪系统由多个麦克风组成，其中一个麦克风用于采集纯净声音信号，称为参考麦克风，其余麦克风用于采集带噪声的混合声音信号。
降噪过程的目标是通过参考麦克风采集的信号来估计噪声，并将其从混合声音中消除，以获得近似于纯净声音的重建声音。
首先，我们需要准备一些实验数据。
在MATLAB中，可以使用内置的"chirp"函数生成一个带有噪声的信号。
例如，以下代码生成一个包含0.5秒长的频率从100Hz到300Hz变化的声音信号：```fs = 8000; % 采样率t = 0:1/fs:0.5;x = chirp(t, 100, 0.5, 300, 'linear');```然后，我们可以通过添加噪声来模拟混合信号。
例如，以下代码生成一个加性高斯噪声：```snr = 10; % 信噪比noise = randn(size(x));noise = noise / norm(noise) * norm(x) / (10^(snr/20));y = x + noise;```接下来，我们需要实现RLS算法来估计噪声并进行降噪。
可以使用MATLAB的"rls"函数来实现RLS算法。
以下是一个简单的示例：```N=10;%降噪滤波器的阶数lambda = 0.99; %遗忘因子delta = 1e-2; % 正则化参数w = zeros(N, 1); % 初始权重P = eye(N) / delta; % 初始协方差矩阵的逆for n = 1:length(y)x_ref = x(n); % 参考麦克风信号x_mix = y(n); % 混合麦克风信号x_hat = w' * x_mix; % 估计的纯净声音信号e = x_ref - x_hat; % 估计的噪声g = P * x_mix / (lambda + x_mix' * P * x_mix); %滤波器增益w=w+g*e;%更新权重P = (1 / lambda) * P - (1 / lambda) * g * x_mix' * P; % 更新协方差矩阵的逆y(n) = x_hat; % 降噪后的声音信号end```最后，我们可以使用MATLAB的"soundsc"函数来播放原始声音和降噪后的声音，以进行比较。
基于RLS算法的多麦克风降噪多麦克风降噪是一种利用多麦克风进行噪声信号的建模和消除的技术。
其中，麦克风阵列用于采集声源信号和噪声信号，然后对这些信号进行处理，使得最终输出的声音更加清晰。
而基于RLS算法的多麦克风降噪是一种常用的降噪算法之一，其通过迭代计算得到最优的滤波权值，从而实现对噪声的有效消除。
RLS算法（Recursive Least Squares）是一种基于最小均方脱误差准则的自适应滤波算法。
其核心思想是在每一时刻通过最小化估计误差的平方和来更新滤波器的系数，从而实现系统的自适应调整。
在多麦克风降噪中，RLS算法可以用于对噪声信号进行建模和估计，并根据估计的结果对噪声进行抑制，从而提取出清晰的声音信号。
多麦克风降噪系统的基本原理如下：1.信号采集：多个麦克风同时采集到声源信号和噪声信号。
2.信号拼接：将所有麦克风采集到的声源信号和噪声信号拼接成一个向量形式。
3.RLS算法：对拼接后的信号应用RLS算法进行处理。
首先，设置初始权值系数为零向量，并计算出系统的自相关矩阵和交叉相关矩阵。
然后，根据最小均方脱误差准则更新权值系数。
4.滤波处理：根据得到的权值系数对信号进行滤波处理，得到降噪后的声源信号。
5.输出结果：将降噪后的声源信号输出。
1.自适应性强：RLS算法具有自适应调整滤波器系数的能力，可以在不断变化的噪声环境中实时适应。
2.抗干扰能力强：多麦克风阵列可以从不同角度和距离采集声源信号和噪声信号，通过利用RLS算法对多个采样信号进行处理，可以提高降噪效果，并降低对噪声源的干扰。
3.高效性能：RLS算法在降噪过程中将误差平方和最小化作为目标函数，并通过迭代计算得到最优的滤波权值，在降噪效果和计算效率上取得了良好的平衡。
然而，基于RLS算法的多麦克风降噪也存在一些挑战，如：1.计算复杂度高：RLS算法需要进行矩阵运算和逆矩阵计算，计算复杂度较高，对处理器性能要求较高。
2.参数选择困难：RLS算法有一系列参数需要设置，包括迭代步长和初始权值系数等，选择合适的参数有一定的困难。
代码调试通过摘要信号的传输过程中会夹杂很多噪音，为了消除这些噪音而引入滤波器。
传统滤波器只能针对具有某种特性的噪音进行滤波，有一定的限制性。
而自适应滤波可以在一定程度上解决这种问题，自适应滤波器的特点是依靠递归算法使输出信号收敛于理想信号。
本课题采用的是基于LMS算法的最小均方误差法对带噪语音信号进行滤波，通过用梯度的估计值代替梯度的精确值实现最速下降，自适应地寻找最佳权系数，使得输出信号贴近于理想信号，完成滤波。
关键词：自适应滤波 LMS算法最速下降目录摘要 (1)一、课题背景和简介 (3)二、训练目的及内容 (3)三、 LMS最小均方误差法实现自适应滤波器的方法 (3)四、实验设计及实施过程 (5)(一) 滤波器结构设计 (5)(二) LMS算法的实现 (6)(三) 逐帧音频处理 (8)(四) 整体程序流程图 (9)五、遇到问题及实验结果分析 (9)(一) 遇到问题及解决方法 (9)(二) 实验结果分析 (10)六、实验总结 (12)七、参考文献 (13)附录 (14)一、课题背景和简介语音信号往往携带很多噪音，为了获得理想的语音信号需要对原始信号进行滤波。
传统滤波器只能针对某类噪声进行定性滤除，没有普适性，而自适应滤波器是符合某种准则的最佳滤波器。
它是通过对环境进行学习，逐渐达到或逼近最优滤波器。
由于学习过程中有“导师”存在，因此它是一种具有监督学习功能的过程。
本课题是基于LMS最小均方误差法的语音降噪，是自适应滤波的一种。
LMS算法通过用梯度的估计值代替梯度的精确值，自适应地调整权矢量，使误差信号区域降低趋势，从而使滤波器逐渐达到或接近最优。
二、训练目的及内容1. 通过利用c程序实现数字信号处理的相关功能，巩固对信号处理原理知识的理解，提高实际编程和处理数据的综合能力，初步培养在解决信号处理实际应用问题中所应具备的基本素质和要求。
2. 培养研发能力，通过设计实现不同的信号处理问题，初步掌握在给定条件和功能的情况下，实现合理设计算法结构的能力。
基于LMS算法的多麦克风降噪课程设计任务武汉理工大学《信息处理课群综合训练与设计》课程设计课程设计任务书学生姓名：专业班级：指导教师：徐文君工作单位：信息工程学院题目: 基于LMS 算法的多麦克风降噪初始条件：Matlab软件设计任务：给定主麦克风录制的受噪声污染的语音信号和参考麦克风录制的噪声，实现语音增强的目标，得到清晰的语音信号。
（1）阅读参考资料和文献，明晰算法的计算过程，理解LMS算法基本过程；（2）主麦克风录制的语音信号是LMSprimsp.wav，参考麦克风录制的参考噪声是LMSrefns.wav.用matlab指令读取；（3）根据算法编写相应的MATLAB程序；（4）算法仿真收敛以后，得到增强的语音信号；（5）用matlab指令回放增强后的语音信号；（6）分别对增强前后的语音信号作频谱分析。
时间安排：指导教师签名：年月日系主任（或责任教师）签名：年月日摘要自适应滤波器实际是一种能够自动调节本身参数的特殊维纳滤波器，在设计时不需要事先知道关于输入信号和噪声的统计特性，它能够在自己的工作过程中逐渐“了解”或估计出所需要的统计特性，并自动调整自己的参数，以达到最佳滤波效果。
而基于自适应滤波器的自适应噪声抵消法对含噪语音的增强效果最好。
因为这种方法比其他方法多用了一个参考噪声作为辅助输入，从而获得了比较全面的关于噪声的信息，从而能得到更好的降噪效果。
本课设研究的主要内容是基于最小均方误差准则(LMS)自适应噪声抵消法对语音信号进行增强，并应用MATLAB仿真软件对研究的内容进行分析、讨论和验证。
关键词：自适应滤波器，最小均方误差法则，语音增强，LMS算法AbstractAdaptive filter is actually a way to automatically adjust itself, the specific param -eters of Wiener filter, the design does not require prior knowledge about the input sig -nal and noise statistics, it can work in their own process of gradually "learn" or estim -ated the statistical properties of the required and automatically adjust their parameters to achieve the best filtering effect. The adaptive filter based on adaptive noise cancelin -g speech enhancement of noisy best. Because this method more than the other metho -ds most used an auxiliary input referred noise, to obtain more comprehensive informa -formation on the noise can get a better noise reduction.The main contents of this course design research is based on minimum mean squ -are error (LMS) adaptive noise cancellation method to enhance the speech signal,and the application of MATLAB simulation software of analysis, discussion and verificati -on.KEY WORDS: Adaptive filter, Minimum mean square error ,LMS, Speech enhance目录1 语音增强概述 (1)1.1语音增强的应用背景 (1)1.2语音增强的研究历史 (1) (2)2.1线性滤波法 (2)2.2梳状滤波法 (2)2.3自相关法 (3)2.4卡尔曼滤波法 (3)2.5自适应噪声抵消法 (3)2.5.1自适应噪声抵消法的原理 (4)2.5.2自适应噪声抵消法的应用 (5)3自适应滤波 (5)3.1自适应滤波概念 (5)3.3基本自适应滤波器设计原则 (7)3.4自适应滤波器结构 (7)4基于自适应滤波的信号增强 (8)4.1基本维纳滤波器 (8)4.2最陡下降法 (10)4.3LMS算法 (11)5 LMS自适应滤波设计 (13)5.1LMS原理 (13)5.2LMS算法设计 (15)6 MATLAB仿真分析 (15)6.1实验程序设计 (16)6.2实验结果 (16)6.3实验结果分析 (18)7 实验总结 (18)8 参考文献 (19)附录 MATLAB程序 (20)基于LMS 算法的多麦克风降噪1 语音增强概述1.1语音增强的应用背景语音增强技术是指当语音信号被各种各样的噪声(包括语音)干扰、甚至淹没后，从噪声背景中提取、增强有用的语音信号，抑制、降低噪声干扰的技术。
语音增强技术无论在日常生活中，还是在其它的领域，或者对语音信号处理技术本身来说都很有应用价值。
在日常生活中，我们经常会遇到在噪声干扰下进行语音通信的问题。
如：使用设置在嘈杂的马路旁或市场内的公用电话，或在奔驰的汽车、火车里使用移动电话时，旁人的喧闹声、汽车和火车的轰鸣声等背景噪声都会干扰语音通讯的质量。
对受话人来说，收听夹杂着各种干扰噪声的语音，至少会引起听觉疲劳，严重一点就会错误地识别或根本无法听清对方的语音。
通信或信息交换已成为人类社会存在的必要条件，正如衣食住行对人类是必要的一样。
语音作为语言的声学体现，是人类交流信息最自然、最有效、最方便的手段之一。
但目前语音识别系统大多都是在安静环境中工作的，在噪声环境中尤其是强噪声环境，语音识别系统的识别率将受到严重影响。
在上述情况下，必须加入语音增强系统，或者抑制背景噪声，以提高语音通信质量，或者作为预处理器，以提高语音处理系统的抗干扰能力，维持系统性能。
因此，语音增强技术在实际中有重要价值。
1.2语音增强的研究历史语音增强方法的研究始于20世纪70年代中期。
随着数字信号处理理论的成熟，语音增强发展成为语音处理领域的一个重要分支。
1978年，Lim和Oppenheim提出了语音增强的维纳滤波方法。
1979年，Boll提出了谱相减方法来抑制噪声。
1980年，Maulay和Malpass 提出了软判决噪声抑制方法。
1984年，Ephraim 和Malah 提出基于MMSE 短时谱幅度估计的语音增强方法。
1987年，Paliwal 把卡尔曼滤波引入到语音增强领域。
在近30年的研究中，各种语音增强的方法不断被提出，它奠定了语音增强理论的基础并使之逐渐走向成熟。
语音增强不但与语音信号处理理论有关，而且涉及到人的听觉感知和语音学。
噪声来源众多，随应用场合而异，它们的特性也各不相同。
即使在实验室仿真条件下，也难以找到一种通用的语音增强算法去适用各种噪声环境。
所以必须针对不同的噪声，采取不同的语音增强对策。
2 语音增强的方法现阶段已有许多语音增强的方法，最常见的有线性滤波法、梳状滤波法、自相关法、卡尔曼滤波法以及自适应噪声抵消法。
2.1 线性滤波法线性滤波法主要是利用了语音的产生模型。
对于加性稳态白噪声干扰的语音信号来说，语音的频谱可以根据语音的产生模型近似地用含噪语音来预测得到。
而噪声频谱则用其期望值来近似。
这样得到了语音和噪声近似的频谱后就可得到滤波器，即：)()()()(ωωωωN S S H +=∧ （2-1） 由此滤波器可使语音得到增强。
线性滤波法不仅用到了噪声的统计知识，还用到了部分语音知识，但显然这些知识都是一种近似的代替。
因此这种方法对提高语音信噪比和可懂度效果十分有限。
特别是当信噪比较低时，对语音参数的预测误差明显增大，从而增强效果就不明显，并且当噪声不是白噪声时，按照语音的产生模型就很难准确预测语音参数。
因此对有色噪声线性滤波方法就难以实现。
2.2 梳状滤波法梳状滤波法是利用了语音的频谱特征，即谐波性。
从众多语音的频谱结构可以看出：语音频谱特别是元音部分具有明显的谐波特征。
当语音受到宽带噪声干扰时，各谐波的间隙之间则基本上都是噪声成分。
只要知道基频就可以把谐波之间的噪声成分完全滤掉，这时滤波器只要设计成一组谐波频率处的带通滤波器即可。
这个方法的主要缺点是必须己知通信语音的基频，而当信噪比较低时，基频的确定变得十分困难。
2.3自相关法自相关法是利用语音时域小型特征，即相关性来增强语音信号的。
在语音信号中，元音和浊音都具有明显的周期性，它的相关函数也具有周期性。
而噪声一般是无规则的，它的自相关函数自R(0)开始很快地衰减，因此含噪语音的相关函数基本上就是噪声中语音的相关函数。
由于语音的相关函数与语音信号本身具有相同的频率成分，只是其幅度近似为语音信号幅度的平方值，因此只要对含噪语音的自相关值作适当的处理就可从噪声中提取出语音信息。
自相关法的主要缺点是对语音信息的损伤较大。
一方面语音信号毕竟与其自相关信号有很大的不同，虽然能用数学的方法加以校准，但这种校准也是有限的。
另一方面，辅音的持续时间较短，且周期性又很差，进一步加深了语音的失真度。
2.4卡尔曼滤波法为了获得较好的语音增强效果，必须尽可能的了解噪声和语音的信息，以卡尔曼滤波器为主体的语音增强方法正是建立在噪声模型和语音模型的基础上。
噪声和语音都可以认为是一个由高斯白噪声驱动的、具有适当阶数的自回归AR模型。
估计语音模型参数时，可把噪声的影响排除，从而较准确地估计出语音模型参数，由此参数就可以估计语音值。
一般看来，这种方法似乎是一个较好的语音增强方法，但实际也存在不少问题。
(1)语音和非语音的判别问题，当信噪比很低时判别非常困难。
(2)噪声必然会对语音参数的估计产生影响，特别是在信噪比较低时，语音估计参数就难以保证有足够的精确度。
(3)整个过程的计算复杂性也较大，难以实时实现。
2.5 自适应噪声抵消法自适应噪声抵消法比其它方法多用了一个参考噪声作为辅助输入，从而获得了比较全面的关于噪声的信息，因而能得到更好的降噪效果。
特别是在辅助输入噪声与语音中的噪声完全相关的情况下，自适应噪声抵消法能完全排除噪声的随机性，彻底地抵消语音中的噪声成分，从而无论在信噪比(SNR ，Signal to Noise Ratio)方面还是在语音可懂度方面都能获得较大的提高。
