【语音去噪】基于matlab GUI LMS+RLS语音去噪【含Matlab源码 528期】

海神之光

已于 2023-10-27 19:55:51 修改

阅读量2.2k

点赞数 5

分类专栏： Matlab语音处理（进阶版）文章标签： matlab

于 2021-03-16 10:49:10 首次发布

代码事宜私信博主

本文链接：https://blog.csdn.net/TIQCmatlab/article/details/114870881

版权

Matlab语音处理（进阶版）专栏收录该内容

141 篇文章 277 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+RLS简介

最小均方（LMS， Least Mean Squares）和递归最小二乘（RLS, Recursive Least Squares）是两种最基本的自适应滤波算法。

1 LMS
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

2 RLS

参数递推估计，每取得一次新的观测数据后，就在前次估计结果的基础上，利用新引入的观测数据对前次估计的结果，根据递推算法进行修正，减少估计误差，从而递推地得出新的参数估计值。这样，随着新观测数据的逐次引入，一次接一次地进行参数估计，直到参数估计值达到满意的精确程度为止。

3 RLS算法与LMS对比
由于LMS算法只是用以前各时刻的抽头参量等作该时刻数据块估计时的平方误差均方最小的准则，而未用现时刻的抽头参量等来对以往各时刻的数据块作重新估计后的累计平方误差最小的准则，所以 15 LMS算法对非平稳信号的适应性差。RLS算法的基本思想是力图使在每个时刻对所有已输入信号而言重估的平方误差的加权和最小，这使得RLS算法对非平稳信号的适应性要好。与LMS算法相比，RLS算法采用时间平均，因此，所得出的最优滤波器依赖于用于计算平均值的样本数，而LMS算法是基于集平均而设计的，因此稳定环境下LMS算法在不同计算条件下的结果是一致的。在性能方面，RLS的收敛速率比LMS要快得多，因此，RLS在收敛速率方面有很大优势。图6分别为RLS算法和LMS算法在处理过程中的误差曲线，它指出了在迭代过程中的误差减少过程。由图可见，RLS算法在迭代过程中产生的误差明显小于LMS算法。由此可见，RLS在提取信号时，收敛速度快，估计精度高而且稳定性好，可以明显抑制振动加速度收敛过程，故对非平稳信号的适应性强，而LMS算法收敛速度慢，估计精度低而且权系数估计值因瞬时梯度估计围绕精确值波动较大，权噪声大，不稳定。

lms滤波器是采用瞬时值对相关矩阵、梯度等进行估计的方法，而rls则是将目标函数固定为最小二乘意义下的指数加权和的形式。换句话说，lms算法的最小化目标函数是瞬时误差信号的平方，而rls算法最小化的目标函数是从0时刻到k时刻为之所有信号在当前系数下的误差信号的加权平方和。由于都使用了当前时刻的系数，因此也可以说是后验误差的加权平方和。

⛄二、部分源代码

function varargout = untitled(varargin)
%UNTITLED M-file for untitled.fig
% UNTITLED, by itself, creates a new UNTITLED or raises the existing
% singleton*.
%
% H = UNTITLED returns the handle to a new UNTITLED or the handle to
% the existing singleton*.
%
% UNTITLED(‘Property’,‘Value’,…) creates a new UNTITLED using the
% given property value pairs. Unrecognized properties are passed via
% varargin to untitled_OpeningFcn. This calling syntax produces a
% warning when there is an existing singleton*.
%
% UNTITLED(‘CALLBACK’) and UNTITLED(‘CALLBACK’,hObject,…) call the
% local function named CALLBACK in UNTITLED.M with the given input
% arguments.
%
% *See GUI Options on GUIDE’s Tools menu. Choose “GUI allows only one
% instance to run (singleton)”.
%
% See also: GUIDE, GUIDATA, GUIHANDLES

% Edit the above text to modify the response to help untitled

% Last Modified by GUIDE v2.5 09-May-2006 17:38:13

% Begin initialization code - DO NOT EDIT
gui_Singleton = 1;
gui_State = struct(‘gui_Name’, mfilename, …
‘gui_Singleton’, gui_Singleton, …
‘gui_OpeningFcn’, @untitled_OpeningFcn, …
‘gui_OutputFcn’, @untitled_OutputFcn, …
‘gui_LayoutFcn’, [], …
‘gui_Callback’, []);
if nargin && ischar(varargin{1})
gui_State.gui_Callback = str2func(varargin{1});
end

if nargout
[varargout{1:nargout}] = gui_mainfcn(gui_State, varargin{:});
else
gui_mainfcn(gui_State, varargin{:});
end
% End initialization code - DO NOT EDIT

% — Executes just before untitled is made visible.
function untitled_OpeningFcn(hObject, eventdata, handles, varargin)
% This function has no output args, see OutputFcn.
% hObject handle to figure
% eventdata reserved - to be defined in a future version of MATLAB
% handles structure with handles and user data (see GUIDATA)
% varargin unrecognized PropertyName/PropertyValue pairs from the
% command line (see VARARGIN)

% Choose default command line output for untitled
handles.output = hObject;

% Update handles structure
guidata(hObject, handles);

% UIWAIT makes untitled wait for user response (see UIRESUME)
% uiwait(handles.figure1);

% — Outputs from this function are returned to the command line.
function varargout = untitled_OutputFcn(hObject, eventdata, handles)
% varargout cell array for returning output args (see VARARGOUT);
% hObject handle to figure
% eventdata reserved - to be defined in a future version of MATLAB
% handles structure with handles and user data (see GUIDATA)

% Get default command line output from handles structure
varargout{1} = handles.output;

% — Executes on button press in select.
function select_Callback(hObject, eventdata, handles)
% hObject handle to select (see GCBO)
% eventdata reserved - to be defined in a future version of MATLAB
% handles structure with handles and user data (see GUIDATA)

[filename, pathname] = …
uigetfile({‘*.wav’},‘File Selector’);
if isequal(filename,0)|isequal(pathname,0)
return;
else
str=[pathname,filename];
setappdata(handles.figure1,‘str’,str);
[Y,FS]=wavread(str); %读取声音信号
SigLength=length(Y); %计算信号长度
t=(0:SigLength-1)/FS;
axes(handles.axes1);
plot(t,Y);
set(gca,‘YLim’,[-1 1]);
xlabel(‘t1:时间’);
ylabel(‘Y（原音）’);
title(‘原始语音信号’)
end

% — Executes on button press in test2.
function test2_Callback(hObject, eventdata, handles)
% hObject handle to test2 (see GCBO)
% eventdata reserved - to be defined in a future version of MATLAB
% handles structure with handles and user data (see GUIDATA)
str2= getappdata(handles.figure1,‘str’);
[Y,FS,NBITS]=wavread(str2); %读取声音信号
sound(Y);

% — Executes on selection change in popupmenu1.
function popupmenu1_Callback(hObject, eventdata, handles)
% hObject handle to popupmenu1 (see GCBO)
% eventdata reserved - to be defined in a future version of MATLAB
% handles structure with handles and user data (see GUIDATA)

% Hints: contents = get(hObject,‘String’) returns popupmenu1 contents as cell array
% contents{get(hObject,‘Value’)} returns selected item from popupmenu1
axes(handles.axes2);
popup_sel_index = get(handles.popupmenu1, ‘Value’);
str2= getappdata(handles.figure1,‘str’);
[Y,FS]=wavread(str2); %读取声音信号
SigLength=length(Y); %计算信号长度
t=(0:SigLength-1)/FS;
switch popup_sel_index
case 1
case 2
x1=1/2sin(2pi5000t);
xn=x1+0.02x1.randn(size(x1));
xn=xn’;
xs=Y+xn;
setappdata(handles.figure1,‘xs’,xs);
plot(t,xs);
set(gca,‘YLim’,[-2 2]);
xlabel(‘t1:时间’);
title(‘加噪后的语音信号’)
spPower=sum(abs(Y( : )).^2)/length(Y( : ));
noPower=sum(abs(xn( : )).^2)/length(xn( : ));
spPower=10log10(spPower);
noPower=10log10(noPower);
SNR=spPower-noPower;
set(handles.edit4,‘string’,num2str(SNR));

case 3      
    xn=sin(2*pi*120*t); 
    xn=xn';
    xs=Y+xn;
    setappdata(handles.figure1,'xs',xs);
    plot(t,xs);
    set(gca,'YLim',[-2 2]);
    xlabel('t1:时间');
     title('加噪后的语音信号')
    spPower=sum(abs(Y( : )).^2)/length(Y( : ));
    noPower=sum(abs(xn( : )).^2)/length(xn( : ));
    spPower=10*log10(spPower);
    noPower=10*log10(noPower);
    SNR=spPower-noPower;
    set(handles.edit4,'string',num2str(SNR));
case 4
    xs=awgn(Y,10);%加入高斯白噪声，信噪比随机产生  
    setappdata(handles.figure1,'xs',xs);
    xn=xs-Y;
    plot(t,xs);
    set(gca,'YLim',[-2 2]);
    xlabel('t1:时间');
     title('加噪后的语音信号')
    spPower=sum(abs(Y( : )).^2)/length(Y( : ));
    noPower=sum(abs(xn( : )).^2)/length(xn( : ));
    spPower=10*log10(spPower);
    noPower=10*log10(noPower);
    SNR=spPower-noPower;
    set(handles.edit4,'string',num2str(SNR))

end

% — Executes on button press in test3.
function test3_Callback(hObject, eventdata, handles)
% hObject handle to test3 (see GCBO)
% eventdata reserved - to be defined in a future version of MATLAB
% handles structure with handles and user data (see GUIDATA)
xs1= getappdata(handles.figure1,‘xs’);
sound(xs1)

% — Executes during object creation, after setting all properties.
function popupmenu1_CreateFcn(hObject, eventdata, handles)
% hObject handle to popupmenu1 (see GCBO)
% eventdata reserved - to be defined in a future version of MATLAB
% handles empty - handles not created until after all CreateFcns called

% Hint: popupmenu controls usually have a white background on Windows.
% See ISPC and COMPUTER.
if ispc && isequal(get(hObject,‘BackgroundColor’), get(0,‘defaultUicontrolBackgroundColor’))
set(hObject,‘BackgroundColor’,‘white’);
end

⛄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