说话人识别进行的加权小波去噪方法笔记

   通过两方面提高说话人识别系统环境的鲁棒性：（1）在特征参数提取的过程中加入一些提高噪声鲁棒性的措施，如采用自相关去噪处理（RAS）等技术，或通过选取具有强耐噪性的特征参数来提高鲁棒性；（2）在模型训练过程中加入提高鲁棒性的措施。如 模型补偿方法、模型自适应技术等。本文主要研究如何得到具有强耐噪性能的特征参数。

   在感知倒谱分析的基础上引入了多分辨率小波分析技术，利用小波变换的时频局域性并结合感知频域上的滤波技术，提出了一种基于离散小波变换和感知频域滤波的算法，一种新型强耐噪性的语音特征——小波变换Mel倒谱系数。

 语音信号系统的特征是信号、噪声的频谱较宽且重叠，噪声传递函数复杂甚至为IIR函数，改变其性能的方法是把输入信号进行正交化降价处理，减少特征值的分散度，如格型滤波器，Gram-Schmidt正交化，离散傅里叶变换。本文的方法如图一。

其中X为含噪语音信号，为与X中的噪声N类似的噪声，AS3,DS3,DS2,DS1是输入语音经过小波分解后的低频分量和高频分量；AN3,DN3,DN3',DN1是噪声经过小波分解后的低频分量和高频分量；AE3,DE3,DE2,DE1是语音各分量通过ANC处理后的低频分量和高频分量，Y是经过小波重构后的输出。把离散小波分解和重构应用于自适应消噪系统中，通过不同的小波基把输入信号和噪声分解于不同的频段中，然后在各个频段分别进行自适应去噪，由于噪声和信号得到简化，因此减少了滤波器的级数，是系统的收敛时间和去噪效果提高。在小波重构之前对各小波系数进行加权处理，然后再把各个频段的输出通过小波重构恢复信号，最后通过MEL滤波器组把小波系数转化为MFCC。

离散小波变换自适应消噪系统

    通过多尺度分析可构造正交小波基，并且在多尺度分析上产生有限尺度二进制小波的Mallat算法。

离散平滑逼近递推公式

     输入信号是X（含噪信号），即X=S+N'（S为输入信号，N'为与N相关的同源噪声），先把X,N经过小波分解，分解于不同的频段内，则输入信号经过小波变换后，再在不同的频段中分别对他们进行自适应噪声抵消，递推表如下：

根据说话人识别的特点，即在高频（》2000HZ）和在低频（《500HZ）比中间频含有更多的说话人信息，因而在小波重构之前对各小波系数进行加权处理，其递推表达式：

总结

在噪声环境下的说话人识别框架图