【语音去噪】麻雀算法优化最小二乘法LMS自适应滤波器语音去噪【含Matlab源码 2586期】

最新推荐文章于 2024-09-26 22:24:09 发布

Matlab武动乾坤

最新推荐文章于 2024-09-26 22:24:09 发布

阅读量60

点赞数

分类专栏： Matlab语音处理（进阶版）文章标签： matlab

本文链接：https://blog.csdn.net/KeepingMatlab/article/details/135011292

版权

Matlab语音处理（进阶版）专栏收录该内容

150 篇文章 12 订阅

订阅专栏

✅博主简介：热爱科研的Matlab仿真开发者，修心和技术同步精进，Matlab项目合作可私信。
🍎个人主页：海神之光
🏆代码获取方式：
海神之光Matlab王者学习之路—代码获取方式
⛳️座右铭：行百里者，半于九十。

⛄一、LMS简介

最小均方（LMS， Least Mean Squares）是最基本的自适应滤波算法。
LMS算法是自适应滤波器中常用的一种算法与维纳算法不同的是其系统的系数随输入序列而改变。维纳算法中截取输入序列自相关函数的一段构造系统的最佳系数。而LMS算法则是对初始化的滤波器系数依据最小均方误差准则进行不断修正来实现的。因此理论上讲LMS算法的性能在同等条件下要优于维纳。但是LMS是在初始值下逐步调整的，因此在系统稳定前，会有一段调整时间，调整时间受步长因子的控制，一定范围内，步长因子越大，调整时间越小，步长因子的最大取值为R的迹。LMS采用平方误差最小的原则代替均方误差最小的原则，信号基本关系如下：
在这里插入图片描述

⛄二、部分源代码

%LMS降噪
close all;clear all; clc;

[s, fs] = audioread(‘C5_1_y.wav’); % 读入数据文件
s=s-mean(s); % 消除直流分量
s=s/max(abs(s)); % 幅值归一
N=length(s); % 语音长度
time=(0:N-1)/fs; % 设置时间刻度
SNR=5; % 设置信噪比
r1=awgn(s,SNR,‘measured’,‘db’);
%% 麻雀算法参数
N=20;
T=50;
lb=[ 0.001];
ub=[ 0.5];
dim=2;
fobj=@(x)fitness(x,r1,s);
[g,gbest,Convergence_curve]=SSA(N,T,lb,ub,dim,fobj);
figure
plot(Convergence_curve)
xlabel(‘迭代次数’)
ylabel(‘RMSE适应度值’)
%% SSA优化后去噪
M=64; % 设置Ｍ和mu
mu=g(1);
itr=length(r1);
snr1=SNR_Calc(s,r1); % 计算初始信噪比
[y,W,e]=LMS(r1,s,M,mu,itr);
output=e/max(abs(e)); % LMS滤波输出
snr2=SNR_Calc(s,output); % 计算滤波后的信噪比
snr=snr2-snr1;
SN1=snr1; SN2=snr2; SN3=snr;
fprintf(‘snr1=%5.4f snr2=%5.4f snr=%5.4f\n’,snr1,snr2,snr);
% 作图
subplot 311; plot(time,s,‘k’); ylabel(‘幅值’)
ylim([-1 1 ]); title(‘原始语音信号’);
subplot 312; plot(time,r1,‘k’); ylabel(‘幅值’)
ylim([-1 1 ]); title(‘带噪语音信号’);
subplot 313; plot(time,output,‘k’);
ylim([-1 1 ]); title(‘SSA-LMS滤波输出语音信号’);
xlabel(‘时间/s’); ylabel(‘幅值’)

⛄三、运行结果

在这里插入图片描述

⛄四、matlab版本及参考文献

1 matlab版本
2014a

2 参考文献
[1]韩纪庆,张磊,郑铁然.语音信号处理（第3版）[M].清华大学出版社，2019.
[2]柳若边.深度学习:语音识别技术实践[M].清华大学出版社，2019.

3 备注
简介此部分摘自互联网，仅供参考，若侵权，联系删除

🍅 仿真咨询
1 各类智能优化算法改进及应用
生产调度、经济调度、装配线调度、充电优化、车间调度、发车优化、水库调度、三维装箱、物流选址、货位优化、公交排班优化、充电桩布局优化、车间布局优化、集装箱船配载优化、水泵组合优化、解医疗资源分配优化、设施布局优化、可视域基站和无人机选址优化

2 机器学习和深度学习方面
卷积神经网络（CNN）、LSTM、支持向量机（SVM）、最小二乘支持向量机（LSSVM）、极限学习机（ELM）、核极限学习机（KELM）、BP、RBF、宽度学习、DBN、RF、RBF、DELM、XGBOOST、TCN实现风电预测、光伏预测、电池寿命预测、辐射源识别、交通流预测、负荷预测、股价预测、PM2.5浓度预测、电池健康状态预测、水体光学参数反演、NLOS信号识别、地铁停车精准预测、变压器故障诊断

3 图像处理方面
图像识别、图像分割、图像检测、图像隐藏、图像配准、图像拼接、图像融合、图像增强、图像压缩感知

4 路径规划方面
旅行商问题（TSP）、车辆路径问题（VRP、MVRP、CVRP、VRPTW等）、无人机三维路径规划、无人机协同、无人机编队、机器人路径规划、栅格地图路径规划、多式联运运输问题、车辆协同无人机路径规划、天线线性阵列分布优化、车间布局优化

5 无人机应用方面
无人机路径规划、无人机控制、无人机编队、无人机协同、无人机任务分配

6 无线传感器定位及布局方面
传感器部署优化、通信协议优化、路由优化、目标定位优化、Dv-Hop定位优化、Leach协议优化、WSN覆盖优化、组播优化、RSSI定位优化

7 信号处理方面
信号识别、信号加密、信号去噪、信号增强、雷达信号处理、信号水印嵌入提取、肌电信号、脑电信号、信号配时优化

8 电力系统方面
微电网优化、无功优化、配电网重构、储能配置

9 元胞自动机方面
交通流人群疏散病毒扩散晶体生长

10 雷达方面
卡尔曼滤波跟踪、航迹关联、航迹融合