python进行普通滤波、维销波波、卡尔曼泡波、自适应滤波等病波方法消除或压制语音信号嗓声的代码

以下是Python实现常用的滤波方法的代码：

普通滤波：

import numpy as np
import scipy.signal as signal

# 生成测试信号
fs = 8000
t = np.arange(fs) / fs
f1, f2 = 1000, 2000
x = 0.5 * np.sin(2 * np.pi * f1 * t) + 0.5 * np.sin(2 * np.pi * f2 * t)

# 设计低通滤波器
fc = 1500
b, a = signal.butter(4, fc / (fs / 2), 'low')

# 滤波
y = signal.filtfilt(b, a, x)

# 绘制结果
import matplotlib.pyplot as plt

plt.subplot(211)
plt.plot(t, x)
plt.title('Input signal')
plt.subplot(212)
plt.plot(t, y)
plt.title('Filtered signal')
plt.tight_layout()
plt.show()

维纳滤波：

import numpy as np
import scipy.signal as signal

# 生成测试信号
fs = 8000
t = np.arange(fs) / fs
f1, f2 = 1000, 2000
x = 0.5 * np.sin(2 * np.pi * f1 * t) + 0.5 * np.sin(2 * np.pi * f2 * t)

# 设计带通滤波器
fband = [1200, 1800]
b, a = signal.butter(4, [2 * fband[0] / fs, 2 * fband[1] / fs], 'band')

# 加入高斯白噪声
noise = 0.05 * np.random.randn(len(t))
xn = x + noise

# 维纳滤波
y = signal.wiener(xn, mysize=len(b))

# 绘制结果
import matplotlib.pyplot as plt

plt.subplot(311)
plt.plot(t, x)
plt.title('Input signal')
plt.subplot(312)
plt.plot(t, xn)
plt.title('Noisy signal')
plt.subplot(313)
plt.plot(t, y)
plt.title('Filtered signal')
plt.tight_layout()
plt.show()

卡尔曼滤波：

import numpy as np
import scipy.signal as signal

# 生成测试信号
fs = 8000
t = np.arange(fs) / fs
f1, f2 = 1000, 2000
x = 0.5 * np.sin(2 * np.pi * f1 * t) + 0.5 * np.sin(2 * np.pi * f2 * t)

# 初始化卡尔曼滤波器
Q = 1e-5
R = 1
xhat = np.zeros_like(x)
P = np.zeros_like(x)
K = np.zeros_like(x)

# 卡尔曼滤波
for k in range(1, len(x)):
    # 预测
    xhat[k] = xhat[k-1]
    P[k] = P[k-1] + Q

    # 更新
    K[k] = P[k] / (P[k] + R)
    xhat[k] = xhat[k] + K[k] * (x[k] - xhat[k])
    P[k] = (1 - K[k]) * P[k]

# 绘制结果
import matplotlib.pyplot as plt

plt.subplot(211)
plt.plot(t, x)
plt.title('Input signal')
plt.subplot(212)
plt.plot(t, xhat)
plt.title('Filtered signal')
plt.tight_layout()
plt.show()

自适应滤波：

import numpy as np
import scipy.signal as signal

# 生成测试信号
fs = 8000
t = np.arange(fs) / fs
f1, f2 = 1000, 2000
x = 0.5 * np.sin(2 * np.pi * f1 * t) + 0.5 * np.sin(2 * np.pi * f2 * t)

# 自适应滤波
mu = 0.01
y = np.zeros_like(x)
e = np.zeros_like(x)
w = np.zeros(50)
for n in range(len(x)):
    # 计算输出值
    y[n] = np.dot(w, x[n-49:n+1])

    # 计算误差
    e[n] = x[n] - y[n]

    # 更新权值
    w = w + mu * e[n] * x[n-49:n+1]

# 绘制结果
import matplotlib.pyplot as plt

plt.subplot(311)
plt.plot(t, x)
plt.title('Input signal')
plt.subplot(312)
plt.plot(t, y)
plt.title('Filtered signal')
plt.subplot(313)
plt.plot(t, e)
plt.title('Error')
plt.tight_layout()
plt.show()