HHT与K-S检验结合的语音增强技术

"这篇论文探讨了一种基于经验模态分解(EMD)和Kolmogorov-Smirnov(K-S)检验的语音增强技术。作者全学海、丁宣浩和蒋英春通过Hilbert-Huang变换(HHT)对含噪语音信号和参考模型的噪声进行分解，提取出固有模态函数(IMF)。接着，利用K-S检验评估这些IMF分量之间的相似性，根据相似概率剔除噪声IMF，保留纯净语音信号的IMF，最后重构出增强的语音信号。实验结果显示，这种方法相比于小波变换增强方法，能更有效地去除噪声，提高语音质量，具有广阔的应用潜力。关键词包括经验模态分解、固有模态函数、K-S检验和相似概率。" 在语音信号处理领域，噪声的存在是常见的问题，例如热噪声、气流噪声、量化噪声以及各种随机噪声源，这些宽带噪声往往与语音信号在时间和频率域上重叠，导致消除噪声变得极具挑战性。语音增强技术是解决这一问题的关键，其中包括基于谱特征的谐波增强、短时谱估计、信号子空间增强、参数估计的语音合成、神经网络增强、统计模型增强以及小波变换增强等方法。 小波变换因其在非线性和非平稳信号分析中的优势，在语音增强中得到广泛应用。然而，小波变换需要预先选择小波基函数，这可能限制了其在处理复杂信号时的灵活性。1998年，E.N. Huang等人提出了一种创新的HHT方法，该方法的核心是EMD，这是一种自适应的数据分解方法，可以将复杂的信号分解为一系列IMF分量，这些分量代表了信号的不同时间尺度和频率成分。 论文中，研究人员利用EMD将含噪语音和噪声模型分解为IMF分量，接着通过K-S检验来判断每个IMF分量是否属于噪声。K-S检验是一种统计方法，用于评估两个独立样本分布的差异程度。在这里，它被用来计算含噪语音信号和参考噪声模型之间的相似性概率。根据这个概率，可以识别并去除那些与噪声模型相似的IMF分量，保留那些更接近原始语音信号的分量。通过这种方式，可以有效地分离噪声，从而增强语音信号。 实验结果证明，这种基于EMD和K-S检验的方法相比小波变换增强技术，更能有效地清除噪声，提高语音清晰度，这对于语音通信、语音识别和其他相关应用具有重要的实际意义。该研究进一步丰富了语音增强的理论和技术手段，为后续研究提供了新的思路。