结合EEMD与K-SVD字典训练的语音增强算法

作者：甘振业; 陈浩; 杨鸿武语音增强总体平均经验模态分解k奇异值分解相关性

摘要：该文提出一种总体平均经验模态分解（ensemble empirical mode decomposition，EEMD）方法与K奇异值分解（K-singular value decomposition，K-SVD）字典算法相结合的语音增强算法。将带噪语音通过EEMD分解得到各本征模式分量（intrinsic mode function，IMF），对各IMF分量进行互相关和自相关分析，去除噪声IMF分量，并将过渡IMF分量再次进行EEMD分解，去除其中的噪声IMF分量。将过渡IMF分量和剩余的IMF分量叠加，得到预降噪的带噪语音。利用纯净语音，通过K-SVD字典训练算法得到过完备字典。对预降噪的带噪语音通过过完备字典进行稀疏表示，稀疏系数重构出纯净语音。实验结果表明：在低信噪比和高信噪比情况下，该算法的去噪效果明显优于传统的谱减法、小波阈值去噪法和K-SVD字典训练。

注：因版权方要求，不能公开全文，如需全文，请咨询杂志社