结合EEMD与K-SVD字典训练的语音增强算法

作者：甘振业; 陈浩; 杨鸿武

来源：清华大学学报, 2017, 57(03): 286-292.

DOI：10.16511/j.cnki.qhdxxb.2017.26.011

• 语音增强
• 总体平均经验模态分解
• K奇异值分解
• 相关性

该文提出一种总体平均经验模态分解(ensemble empirical mode decomposition,EEMD)方法与K奇异值分解(K-singular value decomposition,K-SVD)字典算法相结合的语音增强算法。将带噪语音通过EEMD分解得到各本征模式分量(intrinsic mode function,IMF),对各IMF分量进行互相关和自相关分析,去除噪声IMF分量,并将过渡IMF分量再次进行EEMD分解,去除其中的噪声IMF分量。将过渡IMF分量和剩余的IMF分量叠加,得到预降噪的带噪语音。利用纯净语音,通过K-SVD字典训练算法得到过完备字典。对预降噪的带噪语音通过过完备字典进行稀疏表示,稀疏系数重构出纯净语音。实验结果表明:在低信噪比和高信噪比情况下,该算法的去噪效果明显优于传统的谱减法、小波阈值去噪法和K-SVD字典训练。

• 单位
  西北师范大学; 电子工程学院