噪声抵消技术的研究

2012-07-09赵一炜

时代农机 2012年1期

赵一炜

（张河湾蓄能发电有限责任公司，河北石家庄 050300）

1 噪声抵消技术的研究现状

噪声抵消是指利用信号处理技术，将噪声干扰中的信号进行提取，由于信噪比低，信号带宽较大所以存在一定的难度，人们一直在探索一些好的途径来解决此类问题。目前，噪声（干扰）抵消的主要信号处理技术可基于线性系统和非线性系统分为两大类。线性系统包括时域方法、空间域方法和频域方法，其中时域方法要有迭加平均技术，它是对时域信号多次迭加取平均以求得信号，其算法误差较大；相比较而言，频域的处理方法比较丰富，包括匹配滤波，卡尔曼滤波、维纳滤波、高阶谱方法、相位匹配和自适应滤波等。可以看出频域方法均为滤波方法，而且这些滤波方法均是使系统误差最小的最佳滤波方法。从噪声中提取信号的各种方法中，维纳滤波是一种最基本的方法，它就是最小均方误差准则下的最佳线性滤波方法。由于维纳滤波器的电路较难实现，在维纳滤波理论的基础上发展了一种基于状态空间方法的最佳线性递推滤波方法，称为卡尔曼滤波。它是在对系统及其统计特性做了某些在实际应用中相对广泛的假设之后，给出了一套最佳线性滤波的递推算法，并且可以应用到非平稳随机过程中去，从而获得了极广泛的应用。但要设计以上两种滤波器必须信号和噪声的统计特性（数学期望、相关函数）有先验知识，而在实际中，常常无法预先知道这些统计特性或者它们是随时间变化的，从而实现不了最优滤波。为此，从60年代开始研制另一种从原理上说是全新的滤波器结构，即采用自适应噪声抵消方法来消除混入信号中的观测噪声，达到滤波的目的。自适应滤波器可以实现参数的自动调节，在设计时只需要很少的或根本不需要任何关于信号和噪声的先验知识就可以完成，正因为它具有这些优点，所以发展很快，现已广泛应用于抑制信号中的噪声干扰，例如，语音系统中的回波抵消，胎儿心电图中干扰信号滤波，自适应线谱增强以及通信信道的自适应均衡等。

基于非线性系统噪声（干扰）抵消方法主要有混沌与分形方法和人工神经网络方法。其中，由于神经网络具有强大的自学习和自适应能力，所以已经成为对各类信号进行加工处理的一种有用工具。利用神经网络方法可以完成从有噪声信号空间到无噪声信号空间的一种映射，它利用多层网络结构，将各层网络权系数进行奇异值分解，大奇异值对应于信号，小奇异值对应于噪声，而小奇异值对神经元起抑制作用，这样噪声便得到了抑制，经过多层网络的作用，最终起到抵消噪声的作用。神经网络的缺点是学习算法的收敛速度很慢，通常要上千步迭代或更多，甚至会出现不收敛的情况。以上所描述的各种噪声抵消方法各具特色，受到了国内个学者的广泛重视和研究，发展都极为迅速。

2 噪声抵消方法的比较

噪声抵消可以看作是一种从有噪声信号空间到无噪声信号空间的影射。通过对前人在噪声抵消方面的研究的学习和总结，现以语音信号为例，列举几种语音增强的方法并对其性能进行比较。目前应用的语音增强方法主要有基于噪声特性的自适应噪声抵消法、频谱减法，基于语音产生模型的线性滤波法、梳状滤波法、自相关法，还有基于语音模型和噪声模型的卡尔曼滤波法。介绍如下：

（1）频谱减法。频谱减法是利用噪声的统计平稳性以及加性噪声与读音不相关的特点而提出的一种语音增强方法。这种方法没有使用参考噪声源，但它假设噪声是统计平稳的，即有语音期间噪声掁幅谱的期望值与无语音间隙噪声的振幅谱的期望值相等。用无语音间隙测量计算得到的噪声频谱的估计值取代有语音期间噪声的频谱，与含噪语音频谱相减，得到语音频谱的估计值。当上述差值得到负的幅度值时，将其置零。可以看出频谱减法的主要思想是认为：含噪语音在噪声平均功率以上的部分就是语音功率，其余则认为是噪声功率。这种显然忽略了噪声和语音的随机特性。在含噪语音的功率谱中，噪声平均功率以上部分并非全是语音，其中肯定有不少加性噪声成分存在，其下部分则也必有语音成分存在。因此，这种方法对提高语音信噪比十分有限，而且还会引起语音的失真。特别是在低信噪比时，这种方法很难提高语音质量，更难提高语音可懂度。

（2）线性滤波法。线性滤波法主要是利用了语音的产生模型。对于受加性稳态白噪声干扰的语音信号来说，语音的频谱右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

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能难以应付。

（3）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1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已知通信语音的基频，而当信噪比较低时，音基频的确定变得十分困难。另外，因为这种方法完全没有考虑谐波本身被噪声干扰的情况，即使已知语音的基频，其降噪能力也有限。假定谐波所占的频带总宽度与其谐波间隙的频带总宽度相当，那么很明显，梳状滤波的降噪量约为总噪声量的一半，即抑噪能力仅为3dB。另外这种方法对辅音的损伤比较大。由于辅音不一定存在谐波特性，其频带可能较宽，因此用梳状滤波器不仅不能增强辅音，还会损伤辅音。

（4）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R(0)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的相同的频率成分，只是其幅度近似为语音信号怕同谋的平方值，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，清辅音几乎不存在周期性，故自相关法对辅音几乎不产生增强效果，这就进一步加深了语音的失真度。另外含噪语音的信噪比越低，其相关性越弱，信噪比的提高就越小。由实验知，当信噪比低于约－9dB时，自相关法效果变差。

（5）卡尔曼滤波法。为了获得较好的语音增强效果，必须尽可能地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。一般看来，这种方法似乎是一个较好的语音增强方法，得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整修过程的计算复杂性也较大，难以实时实现。

（6）自适应噪声抵消法。就目前而言，带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。因为这种方法比其也方法多用了1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。自适应滤波器的噪声抵消器工作原理实质上为以均方误差E[e2(n)]或方差e2(n)最小为准则，对噪声n(n)进行最优增强语音的目的。随着理论性能研究的不断深入，应用日趋广泛。