Page 142 - 《应用声学》2020年第6期

936 2020 年 11 月

信号质量恶劣，几乎无法检测；图2(b) 为CMA自适 算法迭代 5000 至 12000 次左右收敛，改进算法迭代
应算法下盲均衡输出端的信号星座图；图 2(c) 为改 8000 至 20000 次左右收敛，收敛速度取决于输入信
进自适应算法下盲均衡输出端的信号星座图，对比 号的平稳性。CMA算法均衡速度快，实现复杂度低，
可见采用改进自适应盲均衡算法有很强的去除 ISI 改进算法复杂度稍高。仿真结果显示，采用自适应
能力。 盲均衡技术可以降低均方误差，使得星座图变得清
自适应盲均衡技术对信道噪声和大量 ISI 都能 晰而紧凑，有效消除 ISI，提高通信系统性能。由星
有效抑制，算法收敛稳定，对采样相位不敏感，在严 座图呈现效果可见改进算法对 ISI 的抑制能力更强，
重噪声干扰的情况下自适应均衡性能良好。CMA 工程实际应用时可按需选择。

1.0 1.0 1.0
0.5 0.5 0.5
ᘿᦊ 0 ᘿᦊ 0 ᘿᦊ 0
-0.5 -0.5 -0.5
-1.0 -1.0 -1.0

-1.0 -0.5 0 0.5 1.0 -1.0 -0.5 0 0.5 1.0 -1.0 -0.5 0 0.5 1.0
ࠄᦊ ࠄᦊ ࠄᦊ
(a) ᄯکᛦ٨ଌஆηՂ (b) CMAካขᣥѣηՂ (c) ஈᤉካขᣥѣηՂ
图 2 自适应盲均衡算法收敛后星座图对比
Fig. 2 Comparison of constellations after convergence of adaptive blind equalization algorithm

3.2 新系统语声增强仿真实验 下，CMA 盲均衡算法自适应滤波输出波形；图 4(d)

利用如图 1 所示的语声消噪方法，进行基带语 为Speech Babble 噪声下改进盲均衡算法自适应滤
声通信系统语声消噪仿真研究。噪声数据取自 The 波输出波形；图 4(e) 是 Speech Babble 噪声下小波
Signal Processing Information Base (SPIB) 数据 包二次增强输出。
库，选取白噪声 (White Noise)、餐厅内嘈杂噪声 由波形图可以直观看出 CMA 盲均衡算法在高
(Speech Babble)、粉红噪声 (Pink Noise)、工厂车 斯白噪声下性能尚可，但其在非高斯噪声下，语声波
间噪声 (Factory Floor Noise)、高频信道噪声 (HF 形失真严重。改进盲均衡算法在高斯白噪声及非高
Channel Noise)。实验语声来自LibriSpeech 学术语 斯噪声下，算法的有效性和稳健性都有所增强。小
声数据库，播音员男声标准普通话朗读宋词“赤壁 波包二次增强能有效恢复语声细节信息。
怀古”语料，仿真实验语声时长 1.6 s。信号的采样 对仿真实验结果进行量化客观性能 [13] 评价：
率为 8 kHz，帧长 L = 256 (32 ms)。自适应盲均衡 (1) 分段信噪比 (SNR seg ) [14] ：计算语声信号每
输入端信噪比为0 dB、5 dB、10 dB、20 dB。 一帧信噪比，取其平均值，SNR seg 越大，则消噪效果
图 3 为信道输出混高斯白噪声、自适应盲均衡 越好。定义形式为
滤波输入端信噪比均为 0 dB 条件下，算法噪声消 N−1
∑ 2
除性能语声波形对比图。图3(a)是纯净语声信号波 M−1 [f(m, n)]
10 ∑ n=0
形图；图 3(b) 为混高斯白噪声，混噪波形；图 3(c) SNR seg = lg ,
M N−1
∑
为白噪声下CMA盲均衡算法自适应滤波输出波形； m=0 [f(m, n) − f (m, n)] 2
∧
图 3(d) 为白噪声下改进盲均衡算法自适应滤波输 n=0
(33)
出波形；图3(e)是白噪声下小波包二次增强输出。
图4 为同一语声信号混合噪声换成餐厅内嘈杂 其中，f(m, n) 为纯净语声信号幅值，f (m, n)
∧
噪声时，算法噪声消除性能语声波形对比图。图 4(a) 为 消 噪 后 的 信 号 幅 值， m 为 帧 号， N 为 帧 长，
是纯净语声信号波形图；图 4(b) 为混 Speech Bab- m = 1, 2, · · · , N, n = 0, 1, 2, · · · , N − 1，M 为总
ble 噪声，混噪波形；图 4(c) 为 Speech Babble 噪声 帧数。算法增强后的语声SNR seg 结果比较见表1。