首先讨论了回声消除中的双端发声问题,指出传统的双端发声检测方法用于回声消除时,其不可避免的误检会导致回声消除系统性能严重恶化,使系统不稳定。本文提出一种使用双滤波器的回声消除算法。该算法使用自适应滤波器跟踪回声信道,使用...首先讨论了回声消除中的双端发声问题,指出传统的双端发声检测方法用于回声消除时,其不可避免的误检会导致回声消除系统性能严重恶化,使系统不稳定。本文提出一种使用双滤波器的回声消除算法。该算法使用自适应滤波器跟踪回声信道,使用一个辅助滤波器和自适应滤波器一起完成回声消除。实验结果表明,该算法与传统算法相比,运算量相当;但在双端发声期间,该算法稳定性更高,回音往返损耗增强(E cho return loss en-hancem en t,ERLE)有明显的改善。展开更多
在对变步长归一化最小均方误差(Variable step size normalized least mean square,VSS-NLMS)的几种算法以及各个算法在远端和双端通话模式下的性能分析比较的基础上,对NEW-NPVSS(NEW non-parametricVSS)算法进行了改进。在双端通话的...在对变步长归一化最小均方误差(Variable step size normalized least mean square,VSS-NLMS)的几种算法以及各个算法在远端和双端通话模式下的性能分析比较的基础上,对NEW-NPVSS(NEW non-parametricVSS)算法进行了改进。在双端通话的情况下改进算法具有更好的收敛性;然后提出了基于滤波器系数梯度的变步长新算法,当滤波器系数梯度小于门限值时,采用固定步长更新滤波器系数。反之,则停止更新滤波器系数,并且用远端模式下的系数替代当前系数。仿真结果表明所提出的算法在远端通话模式下比其他VSS-NLMS算法具有更好的收敛性,在双端情况下具有比固定步长NLMS(Normalized least mean square)和SVSS(Simple VSS)更好的收敛性。展开更多
考虑到非线性回声和非平稳噪声对智能设备回声消除算法的影响,论文提出一种基于双向长短时记忆(Bidirectional Long Short-Term Memory,BLSTM)神经网络的回声和噪声抑制算法。该算法首先采用多目标预处理模型,同步估计出回声和噪声信号...考虑到非线性回声和非平稳噪声对智能设备回声消除算法的影响,论文提出一种基于双向长短时记忆(Bidirectional Long Short-Term Memory,BLSTM)神经网络的回声和噪声抑制算法。该算法首先采用多目标预处理模型,同步估计出回声和噪声信号的幅度谱;然后将其作为回声和噪声抑制模型的输入特征,进而估计出目标语音信号的理想比例掩模;最后通过联合训练两个模型得到最优回声和噪声抑制模型。实验结果表明,在非线性回声和非平稳噪声的环境下,该算法均取得了较好的回声和噪声抑制效果,语音失真较小。展开更多
文摘首先讨论了回声消除中的双端发声问题,指出传统的双端发声检测方法用于回声消除时,其不可避免的误检会导致回声消除系统性能严重恶化,使系统不稳定。本文提出一种使用双滤波器的回声消除算法。该算法使用自适应滤波器跟踪回声信道,使用一个辅助滤波器和自适应滤波器一起完成回声消除。实验结果表明,该算法与传统算法相比,运算量相当;但在双端发声期间,该算法稳定性更高,回音往返损耗增强(E cho return loss en-hancem en t,ERLE)有明显的改善。
文摘在对变步长归一化最小均方误差(Variable step size normalized least mean square,VSS-NLMS)的几种算法以及各个算法在远端和双端通话模式下的性能分析比较的基础上,对NEW-NPVSS(NEW non-parametricVSS)算法进行了改进。在双端通话的情况下改进算法具有更好的收敛性;然后提出了基于滤波器系数梯度的变步长新算法,当滤波器系数梯度小于门限值时,采用固定步长更新滤波器系数。反之,则停止更新滤波器系数,并且用远端模式下的系数替代当前系数。仿真结果表明所提出的算法在远端通话模式下比其他VSS-NLMS算法具有更好的收敛性,在双端情况下具有比固定步长NLMS(Normalized least mean square)和SVSS(Simple VSS)更好的收敛性。
文摘考虑到非线性回声和非平稳噪声对智能设备回声消除算法的影响,论文提出一种基于双向长短时记忆(Bidirectional Long Short-Term Memory,BLSTM)神经网络的回声和噪声抑制算法。该算法首先采用多目标预处理模型,同步估计出回声和噪声信号的幅度谱;然后将其作为回声和噪声抑制模型的输入特征,进而估计出目标语音信号的理想比例掩模;最后通过联合训练两个模型得到最优回声和噪声抑制模型。实验结果表明,在非线性回声和非平稳噪声的环境下,该算法均取得了较好的回声和噪声抑制效果,语音失真较小。
