[发明专利]一种含噪声语音信号压缩感知方法

说明书

技术领域

本发明属于通信技术领域，具体涉及一种含噪声语音信号压缩感知方法。

背景技术

语音是人类最方便直接的交流方式，传统的语音信号处理都基于Nyquist（奈奎斯特）采样定理，首先进行2倍带宽以上的高速采样，然后根据样值之间存在的强相关性再压缩，这一过程浪费了大量的采样资源。Nyquist采样定理是大多数信号采样所遵循的规律，表明了采样频率与信号频谱分布之间的关系，是任何信号精确重构的充分条件，但不一定是必要条件。如何根据语音信号的特殊性，对语音信号重新建模以获得更少的采样但又不影响语音的重构质量，是当前语音信号处理领域中的研究热点。

2004年由Donoho与Candes等人提出的压缩感知（Compressed Sensing，CS）理论是基于信号在某个域的稀疏性建立的线性、非自适应采样的新理论，表明具有稀疏性的压缩感知技术能获得较经典奈氏理论更好的压缩性能，信号的稀疏性或可压缩性是实现压缩重构的必要条件之一。CS理论表明，可以在不丢失逼近原信号所需信息的情况下，用最少的观测数来采样信号，实现信号的降维处理，即直接对信号进行较少采样得到信号的压缩表示，从而在节约采样和传输成本的情况下，达到了在采样的同时进行压缩的目的。CS突破了传统的奈奎斯特采样定理的限制，从传统的信号采样转变成信息采样。只要信号是可压缩的或在某个域上是稀疏的，就可以利用随机观测矩阵直接将这样一个高维信号投影到低维空间上，可以利用这些少量的观测重构原信号。压缩感知重构过程中仅仅考虑了信号的稀疏性先验，而没有考虑任何关于信号结构的信息，通过随机观测包含了重构信号的足够信息。当信号具有稀疏性或可压缩性时，通过采集少量的信号观测值就可实现信号的准确或近似重构。

由于语音信号具有可压缩性，能够用比Nyquist采样速率低很多的速率无失真地采样信号，基于压缩感知进行低速率无失真地采样给信号的采样、存储、传输和处理都带来了巨大的方便。所以CS理论与语音信号处理领域的结合，意味着对传统的基于奈奎斯特均匀采样定律下的语音分析方法的颠覆：用CS理论中的观测来代替传统语音采样值，势必导致采样信号特征根本性的变化，进而影响整个语音信号处理体系。

语音通信过程中不可避免的会受到周围环境噪声的干扰，这些干扰使接收到的语音为被噪声污染的带噪信号，这将对语音信号的特性产生影响。语音信号受到噪声污染，由于多数噪声频谱较语音频谱宽，所以语音信号的稀疏性将变差，压缩采样条件产生明显影响，含噪声语音的压缩感知性能将急剧下降。

发明内容

本发明所要解决的技术问题是为了克服现有技术的不足，提出一种含噪声语音信号压缩感知方法。所述方法使得压缩感知方法能够应用于实际的语音信号处理系统中。

本发明为解决上述技术问题，采用如下技术方案：

一种含噪声语音信号压缩感知方法，包括训练和实测两个阶段，训练阶段包括语音压缩采样和训练重构算法中拉格朗日乘子形式的的最佳调整参数；实测阶段包括发端的压缩采样、接收端含噪声语音信号的稀疏系数自适应重构和对重构的稀疏系数进行增强处理后再重构语音信号，具体过程如下：

A，训练阶段，具体步骤如下：

步骤A-1，含噪声语音压缩采样，具体过程如下；

步骤A-1a，分帧处理含噪声语音信号，得到含噪声语音帧信号xn_i；

步骤A-1b，对含噪声语音帧信号进行压缩采样，获取观测帧序列y_i,其计算公式为：

y_i=Φxn_i=Φ(x_i+n)

其中x_i,n分别是第i帧语音帧信号、噪声信号，x_i的长度为T，观测帧序列y_i的长度为P，Φ是P×T的观测矩阵，且P<T；

步骤A-2，训练重构算法中拉格朗日乘子形式的最佳调整参数λ₀，具体过程如下；

步骤A-2a，构造重构时需用的小波域稀疏分解矩阵Ψ，其公式为：