Page 109 - 201806

第 37 卷 第 6 期 武正平等： 改进的正交匹配追踪的语音增强算法 939

声的时长，测试选取的时长分别为10 s、100 s、235 s、 [6] Aharon M, Elad M, Bruckstein A. K-SVD: an algorithm
320 s；纵坐标代表这两种算法训练相应时长噪声 for designing overcomplete dictionaries for sparse rep-
resentation[J]. IEEE Transactions on Signal Processing,
所用的时间。从图 2 中可以得出，本文提出的改进
2006, 54(11): 4311–4322.
OMP 算法其运算速率相对于传统 OMP 语音增强 [7] 吕乾坤, 高勇. 基于稀疏约束的 PLCA 和谱掩蔽的语音增强
算法提高近一倍。 算法 [J]. 电声技术, 2014, 38(12): 50–54.
Lyu Qiankun, Gao Yong. Single channel speech enhance-
5 结论 ment based on PLCA with sparsity constrains and spec-
tral masks[J]. Audio Engineering, 2014, 38(12): 50–54.
[8] 黄玲, 李琳, 王薇, 等. 基于 Sparse K-SVD 学习字典的语音增
本文提出的改进 OMP 算法的语音增强算法，
强方法 [J]. 厦门大学学报: 自然科学版, 2014, 53(1): 36–40.
在以下两个方面对传统OMP算法进行了小的改进： Huang Ling, Li Lin, Wang Wei, et al. Speech enhance-
其一，将 K-SVD 算法与 OMP 算法相结合，通过设 ment based on sparse K-SVD dictionary learning[J]. Jour-
nal of Xiamen University: Natural Science, 2014, 53(1):
置能量阈值的方法，提高 OMP 算法的语音增强性
36–40.
能；其二，通过改进传统 OMP 算法中信号稀疏逼近 [9] 李轶南, 张雄伟, 曾理, 等. 改进的稀疏字典学习单通道语音
的计算方法，提高算法的运算速度。与传统 K-SVD 增强算法 [J]. 信号处理, 2014, 30(1): 44–50.
语音增强算法相比，通过比较两种算法的 PESQ 与 Li Yinan, Zhang Xiongwei, Zeng Li, et al. An improved
monaural speech enhancement algorithm based on sparse
STOI 的评估值，可以得出本文提出的方法，在不同 dictionary learning[J]. Journal of Signal Processing, 2014,
信噪比下均取得了较好的语音增强效果。与传统 30(1): 44–50.
OMP 算法相比，通过比较两种算法对不同时长随 [10] 茅正冲, 龚熙. 基于压缩感知的语音增强识别系统 [J]. 计算机
应用研究, 2016, 33(2): 450–453.
机噪声的训练时间，可以看出改进后的 OMP 算法
Mao Zhengchong, Gong Xi. Speech enhancement recog-
其运算速度更快。 nition system based on CS[J]. Application Research Com-
puter, 2016, 33(2): 450–453.
[11] 周小星, 王安娜, 孙红英, 等. 基于压缩感知过程的语音增
参 考 文 献 强 [J]. 清华大学学报: 自然科学版, 2011, 51(9): 1234–1238.
Zhou Xiaoxing, Wang Anna, Sun Hongying, et al. Speech
[1] 魏东, 周健鹏. K-SVD 和 OMP 算法在超声信号去噪中的应 enhancement based on the compressive sensing[J]. Jour-
nal of Tsinghua University: Science and Technology, 2011,
用 [J]. 应用声学, 2016, 35(2): 95–101.
51(9): 1234–1238.
Wei Dong, Zhou Jianpeng. Application of K-SVD and
OMP algorithm on ultrasonic signal denoising[J]. Journal [12] 周伟栋, 杨震, 于云. 改进的正交匹配追踪语音增强算法 [J].
of Applied Acoustics, 2016, 35(2): 95–101. 信号处理, 2016, 32(3): 287–295.
[2] 孙林慧, 杨震. 基于数据驱动字典和稀疏表示的语音增强 [J]. Zhou Weidong, Yang Zhen, Yu Yun. Speech enhance-
信号处理, 2011, 27(12): 1793–1800. ment by using modified orthogonal matching pursuit al-
Sun Linhui, Yang Zhen. Speech enhancement based on gorithm[J]. Journal of Signal Processing, 2016, 32(3):
data-driven dictionary and sparse representation[J]. Jour- 287–295.
nal of Signal Processing, 2011, 27(12): 1793–1800. [13] Rothauser E H, Chapman W D, Guttman N, et al. IEEE
[3] Mallat S G, Zhang Z. Matching pursuits with time- recommnded pratice for speech quality measurements[J].
frequency dictionaries[J]. IEEE Transactions on Signal Audio & Electroacoustics IEEE Transactions on, 1969,
Processing, 1993, 41(12): 3397–3415. 17(3): 225–246.
[4] 赵彦平. 基于稀疏表示的语音增强方法研究 [D]. 长春: 吉林 [14] Taal C, Hendriks R, Heusdens R, et al. An evalua-
大学, 2014. tion of objective quality measures for speech intelligibil-
[5] Bruckstein A M, Donoho D L, Elad M. From sparse solu- ity prediction[C]. Interspeech, Conference of the Inter-
tions of systems of equations to sparse modeling of signals national Speech Communication Association, Brighton,
and images[J]. SIAM Review, 2009, 51(1): 34–81. United Kingdom, September, 2009: 1947–1950.