基于双稳随机共振的语音增强研究

摘要：针对淹没在强噪声背景中的语音信号，文中提出了一种基于双稳随机共振的语音增强方法，该方法利用调节随机共振系统的结构参数，使系统达到最佳匹配，将噪声的能量向信号转移，从而达到增强语音信号的目的。通过MATLAB仿真分析，输出信号信噪比提高了3.5db，因此该方法在对语音信号的检测增强中可获得一定的检测效果。

关键词：随机共振；语音增强；弱信号

中图分类号：TN911 文献标识码：A 文章编号：1009-3044（2014）04-0841-03

语音信号是人类传播信息的重要媒介，然而在通信过程中语音会受到自然环境以及通信设备的干扰，因此语音增强是语音信号处理中的重要组成部分[1]。

传统的语音增强方法中，参数方法对语音的模型参数依赖性强，在低信噪比条件下不容易得到正确的模型参数；非参数方法由于频谱相减会产生“音乐噪声”；统计方法需要大量数据进行训练以得到统计信息；小波变换以及离散余弦变换的阈值选取困难，运算量大[2]。因此本文选用双稳随机共振系统来对语音信号进行增强研究。非线性随机共振利用噪声增强微弱信号传输的机制为我们提供了一条新思路，当系统输入端噪声增加时非线性系统会发生随机共振，会发生部分噪声能量向信号能量的转移[3-4]，从而提高系统输出信噪比来达到微弱信号的检测的目的。

随机共振由意大利Benzi等学者于1981年开始在解释冰期周期性递归时首次被发现和提出[3]。当非线性系统、信号和噪声达到匹配状态时，就会发生随机共振，噪声能量向信号能量转移，使得输出信号的信噪比得到提高，达到对强噪声背景中的语音信号的增强。通过仿真观察到输出波形的噪声得到了一定的抑制，信噪比也得到了提高。

1 随机共振

1.1随机共振原理

受到噪声[Γ（t）]与外部周期驱动力[Acosω0t]作用的双稳态系统可以由郎之万方程描述，即

图1所示的[ΔV]可以通过调节a与b的值来调节势垒高度。周期信号给系统势阱的切换引入周期性变化，有效地对噪声引起的切换进行同步，当信号、噪声及非线性系统达到某种匹配时，输出信号与微弱周期信号同步，从而使系统输出[x（t）]中的小周期分量得到增强，这也就是随机共振可以加强微弱信号的原因。于是达到了将噪声能量向信号能量的转移，从而驱动质点在两势阱间的周期运。

2 数值求解

对一些典型的常微分方程才能求出它们的一般解表达式，并用初始条件确定表达式中的任意常数。然而在实际问题中遇到的常微分方程往往很复杂，在很多情况下得不出一般解，所以一般是获得解在若干个点上的近似值。因此本文选用四阶龙格—库塔法（Runge—Kutta）求解常微分方程[5]。

四阶R—K方法为式（2）所示：

其中[xi]和[x1i]表示输出和输入信号的第i个采样值，[h=1fs]为迭代步长。而本文中是对语音信号进行检测，属于宽频信号，因此迭代步长可根据实际情况来调节以使系统产生随机共振达到检测目的。

3 仿真与分析

根据随机共振的绝热近似理论与线性响应理论将随机共振应用于检测微弱的周期信号， 其信号频率都远远小于1，而本文待检测的语音信号其频率范围通常是300～3400Hz，因此为了解决随机共振在高频信号的检测问题，该文采用调节系统结构参数与步长来对语音信号进行增强。

对干净的语音信号添加不同强度的噪声，再对其应用随机共振进行去噪处理。图2所示是纯净的语音信号，内容为数字“2～9”。

从图2可以看出，实验中用到的语音信号是一个中低频信号，主要集中在270Hz、700Hz附近。图3为在此干净语音信号中添加噪声强度D=0.6的高斯白噪声后的信号和频谱图，从图中可看出信号淹没在噪声中，而频域图中看出整个频带都有很强的噪声，在低频段有一部分信号分布。

将带噪信号经过随机共振处理，通过调节结构参数，当a=0.1，b=1.2时，经过随机共振系统的输出波形如图4所示，从图中看出信号与噪声都在很大程度上得到了抑制，能辨别出语音信号。在频域图中可看出高频部分的噪声信号都得到了抑制，发生了能量的转移，高频噪声能量向低频信号能量转移，因此在频率为270Hz附近信号明显增强，信号幅度得到了明显提高。而信号的信噪比从输入的-6.4db提高到-3db，信噪比增加了3.5db，因此将随机共振应用在语音信号的增强中取得了一定的效果。

4 结束语

本文将双稳随机共振的方法应用于语音信号的增强中，通过系统输出的信号在时域图可看出信号的噪声得到了一定的抑制，频域图中，高频的噪声都搬移到低频段，使得信号的幅度得到了很大的提高，且信噪比也得到了提升，因此该方法具有一定的效果。在之后的研究中，将对实际的含噪语音以及振动信号进行一定的研究。

参考文献：

[1] 王晶，傅丰林，张运伟.语音增强算法综述[J].声学与电子工程，2005（1）：22-26.

[2] 张雪英.数字语音处理及MATLAB仿真[M].北京：电子工业出版社，2010.

[3] Benzi R， Sutera A， Vulpiani A. The Mechanism of Stochastic Resonance[J]. Journal of Physics A： Mathematical and General， 1981， 14（11）： L453-L457.

[4] 杨定新.微弱特征信号检测的随机共振方法与应用研究[D].长沙：国防科学技术大学研究生院，2004.

[5] 闫金亮. Matlab在常微分方程教学中的应用[J].武夷学院学报，2012（2）：95-99.