基于多任務(wù)稀疏表達(dá)的二元麥克風(fēng)小陣列話音增強(qiáng)算法

楊立春，葉敏超，錢沄濤

(1. 浙江大學(xué) 計算機(jī)科學(xué)與技術(shù)學(xué)院，浙江 杭州 310027；2. 浙江萬里學(xué)院 智能控制技術(shù)研究所，浙江 寧波 315101)

1 引言

二元麥克風(fēng)小陣列被廣泛應(yīng)用在手機(jī)、助聽器等受空間、運(yùn)算能力和成本限制的設(shè)備中，用以實(shí)現(xiàn)話音增強(qiáng)。自適應(yīng)波束形成是二元麥克風(fēng)小陣列話音增強(qiáng)的常用算法[1～5]，其思想是通過期望目標(biāo)方向信號獲得最大增益，并通過權(quán)系數(shù)的更新估計非目標(biāo)方向干擾信號實(shí)現(xiàn)話音增強(qiáng)。為了防止目標(biāo)話音信號失真，權(quán)系數(shù)在話音段需停止更新，而這需要話音活動檢測(VAD,voice activity detection)技術(shù)支持，同時要求處理信號的開始階段為非話音段，因此 VAD的準(zhǔn)確性成為影響波束形成話音增強(qiáng)效果的重要因素。

另一種常見的二元麥克風(fēng)小陣列話音增強(qiáng)算法是相干濾波器(coherence-based filter)方法[6]，通過假定陣元間目標(biāo)話音信號相關(guān)而噪聲信號不相關(guān)，使用基于互功率譜密度的相干函數(shù)進(jìn)行降噪。實(shí)際環(huán)境中，尤其是在小陣列中，這種假設(shè)往往不成立，因而一般通過估計噪聲譜的方法進(jìn)行相干濾波[7]。與波束形成方法一樣，噪聲譜估計方法也要求目標(biāo)話音信號不能出現(xiàn)在處理信號的第一幀位置，且通常需要 VAD技術(shù)支持，以防止噪聲譜估計錯誤造成話音信號失真。

近年來基于多任務(wù)稀疏表達(dá)的學(xué)習(xí)方法[8～10]在去噪領(lǐng)域得到研究，該方法通過構(gòu)造固定的字典或動態(tài)學(xué)習(xí)得到的字典，在特定的約束下可以使信號在此字典上表示的系數(shù)稀疏化，當(dāng)多個任務(wù)中某些信號在此字典上表達(dá)的系數(shù)近似相同時將會被保留，而那些系數(shù)不同的信號將被抑制。

稀疏編碼(sparse coding)在單道話音增強(qiáng)[11～13]算法中的研究表明，話音信號可以使用合適字典中的少量基函數(shù)進(jìn)行表達(dá)。而高斯白噪聲等隨機(jī)噪聲不能被少量基函數(shù)完整表達(dá)，故單道稀疏編碼算法對這些類型噪聲的抑制較好。但無論是構(gòu)造固定字典還是通過學(xué)習(xí)的字典均無法完全將目標(biāo)信號和非平穩(wěn)噪聲分離，所以同其他單道算法一樣，該算法也不能對非平穩(wěn)噪聲進(jìn)行有效抑制。

本文提出了一種基于多任務(wù)稀疏表達(dá)的二元麥克風(fēng)小陣列話音增強(qiáng)算法，當(dāng)2個陣元接收到的目標(biāo)信號通過時延補(bǔ)償使得它們在同一時刻基本一致，而噪聲信號不一致時，對目標(biāo)信號和噪聲信號在各自的字典上進(jìn)行稀疏表達(dá)，2個陣元中的目標(biāo)信號對應(yīng)其字典上的系數(shù)應(yīng)基本相同，而噪聲信號對應(yīng)其字典上的系數(shù)不同，使用多任務(wù)稀疏表達(dá)即可將這些不一致的噪聲信號系數(shù)進(jìn)行抑制，從而實(shí)現(xiàn)降噪的目的。

話音信號的字典通過語料庫離線學(xué)習(xí)獲得。由于話音信號具有共性特征，用語料庫離線學(xué)習(xí)得到的字典與說話人及環(huán)境都沒有關(guān)系，具有通用性。而噪聲字典使用通過陣列得到的參考噪聲信號在線學(xué)習(xí)得到。因環(huán)境噪聲的多變特性，在線學(xué)習(xí)方法能夠保證噪聲字典對環(huán)境噪聲的適應(yīng)性。由于噪聲抑制主要通過其在2個陣元字典表達(dá)上的一致性實(shí)現(xiàn)，因而泄露到參考噪聲中的少量話音信號對降噪效果影響可以忽略。因此本文算法無需使用VAD算法，也沒有第一幀要求非話音的限制，保證了算法的穩(wěn)定性和通用性。

2 信號模型

考慮一個由2個全指向性麥克風(fēng)組成的二元麥克風(fēng)小陣列，假定目標(biāo)話音信號和噪聲信號不相關(guān)，則到達(dá)2個陣元的信號可以表示為

其中，xi(t)表示陣元接收到的目標(biāo)話音信號；ni(t)表示陣元接收到的噪聲信號。把式(1)兩邊同時進(jìn)行短時傅里葉變換轉(zhuǎn)換成頻域形式為

陣元間目標(biāo)信號的時延差可通過時延估計算法實(shí)現(xiàn)[14,15]。由于在小陣列中陣元間距較小，在采樣率不夠高的情況下，2個陣元的目標(biāo)信號的時延一般小于一個采樣點(diǎn)，此時2個陣元的目標(biāo)信號僅在相位上有差別。當(dāng)目標(biāo)信號以與陣列的第1個陣元成θ角方向傳播時，第2個陣元接收的目標(biāo)信號與第1個陣元的目標(biāo)信號的相位差為e-jωdcosθ／c。對第2個陣元的目標(biāo)信號進(jìn)行相位補(bǔ)償后可得

其中，θ為目標(biāo)聲源與陣列的第1個陣元方向的夾角；ω為頻率因子，d為陣元間距；c為聲波在空氣中傳播的速度。式(3)和式(2)表示陣元1接收到的含噪信號(當(dāng)i=1時)，可以看出經(jīng)過相位補(bǔ)償后的2個陣元中的目標(biāo)信號完全相同，而非目標(biāo)信號方向上的噪聲信號則不同。為了處理方便，把經(jīng)過相位補(bǔ)償后的 2個信號經(jīng)過傅里葉反變換轉(zhuǎn)到時域形式，分別為y1p(t)和y2p(t)。

3 多任務(wù)稀疏性約束話音增強(qiáng)算法

假定陣列中每個陣元接收到的噪聲信號是式(1)所示的加性噪聲，經(jīng)相位補(bǔ)償后第2個陣元含噪信號如式(3)所示，與式(2)第1個陣元含噪信號相比，目標(biāo)信號基本相同，而噪聲信號不同，因而符合多任務(wù)稀疏學(xué)習(xí)降噪的條件?；诙嗳蝿?wù)稀疏性約束話音增強(qiáng)算法主要包括兩部分：1)通過字典學(xué)習(xí)找到目標(biāo)話音信號和噪聲信號合適的字典；2)通過混合字典的多任務(wù)稀疏表達(dá)實(shí)現(xiàn)噪聲抑制。

3.1 字典學(xué)習(xí)

通用基函數(shù)，例如小波基、離散余弦變換(DCT,discrete cosine transform)基，由于可以作為任意非隨機(jī)信號的字典，因而很難使用它們分離目標(biāo)信號和噪聲信號。字典學(xué)習(xí)的目標(biāo)是通過使用某種類型信號的訓(xùn)練樣本，獲得符合其特征基向量組成的字典。學(xué)習(xí)得到的自適應(yīng)字典可以較好地重構(gòu)與訓(xùn)練樣本信號較為類似的信號，而不能完全重構(gòu)其他與訓(xùn)練樣本信號差異較大的信號。因而相對通用的基函數(shù)字典，通過學(xué)習(xí)得到的字典可以更好地實(shí)現(xiàn)信號分離。在字典中，每列也被稱為“原子”，非隨機(jī)信號如果能使用少量字典中的“原子”線性表達(dá)，則稱該信號能被該字典稀疏表達(dá)。一般在噪聲抑制和信號分離的應(yīng)用場景中，均使用過完備字典(或稱冗余字典)，即字典中包含的原子數(shù)目大于信號幀長。

考慮信號序列 si∈Rm,i=1,2,…,n，其字典應(yīng)該滿足

其中，D∈Rm×k為字典，上式中的λ′為正則化約束系數(shù)，β為系數(shù)矩陣。通過對βi施以?1范數(shù)約束可以得到其稀疏解。為了能使用式(4)有效地對大訓(xùn)練樣本集進(jìn)行求解，文獻(xiàn)[16,17]提出了一種基于隨機(jī)梯度下降的字典學(xué)習(xí)算法。該算法采用交替優(yōu)化系數(shù)與字典的方式進(jìn)行求解，每一次迭代，首先固定字典D，求解系數(shù)β的優(yōu)化問題，然后固定系數(shù)β，進(jìn)行字典D的更新[16,17]，詳細(xì)步驟如算法1所示。

算法1 基于隨機(jī)梯度下降的字典學(xué)習(xí)算法

輸入：

信號：si∈Rm,

正則化參數(shù)：λ′,

初始字典：D0∈Rm×k,

迭代次數(shù)：T

輸出：

字典矩陣：DT∈Rm×k

步驟：

1)初始化：A0←0,B0←0;

2)for t=1 to Tdo

3)固定字典，求解稀疏編碼的系數(shù)：

6)使用算法2的字典更新算法更新字典：

7)end for

8)returnDT;

算法2 字典更新算法

輸入：

輸出：

更新后的字典矩陣：D∈Rm×k;

步驟：

1)repeat

2)for j=1 to k do

3)更新字典的第 j列：

4)end for

5)until convergence

6)return D;

由于目標(biāo)話音信號和非隨機(jī)噪聲信號適合使用不同的字典進(jìn)行稀疏表達(dá)，通過把目標(biāo)話音信號字典和噪聲字典連接的組合字典，實(shí)現(xiàn)每個陣元接收到的含噪信號可以通過混合字典的稀疏表示進(jìn)行分離，將噪聲字典對應(yīng)的系數(shù)置0即可實(shí)現(xiàn)降噪的目的，因此在降噪前需分別得到話音信號字典和噪聲字典。

為了得到目標(biāo)話音信號和噪聲信號的字典，需要分別使用這 2種信號作為訓(xùn)練樣本進(jìn)行字典學(xué)習(xí)。對于二元麥克風(fēng)陣列來說，其噪聲相關(guān)信號可以表示為

式(5)表明 yn(t)理論上不含目標(biāo)信號且與原始噪聲信號相關(guān)。由于信號數(shù)據(jù)字典是信號在其特征空間中基向量的集合,信號的衰減或增強(qiáng)不會影響信號字典本身。因而可以使用信號yn(t)作為原始噪聲信號字典學(xué)習(xí)的信號得到其字典 Dn。假定在話音增強(qiáng)過程中噪聲環(huán)境不變，因此噪聲字典的學(xué)習(xí)可以放在話音增強(qiáng)的開始階段，利用式(5)獲得開始一段的相關(guān)噪聲，并作為訓(xùn)練樣本學(xué)習(xí)得到該噪聲字典。

對于目標(biāo)話音信號，由于不能直接獲得其不含噪聲干擾的純凈信號，因而需要預(yù)先使用語料庫進(jìn)行學(xué)習(xí)獲得其過完備字典Dt。本文使用GRID[18]語料庫，該語料庫提供了18 個男性和16個女性每人1000個句子的語料。訓(xùn)練中選取其中男女各16人，對其語料進(jìn)行訓(xùn)練得到具有一定通用性的話音信號字典。

3.2 話音降噪

由于含噪信號 y1p(t)和y2p(t)中含有共同的目標(biāo)信號x1(t),為了得到這些共同信號，可以通過?2／ ?1正則化稀疏回歸得到稀疏的系數(shù)矩陣,然后將噪聲字典對應(yīng)的系數(shù)置 0,最后進(jìn)行稀疏重構(gòu)即可實(shí)現(xiàn)降噪，如圖1所示。

圖1 多任務(wù)稀疏表達(dá)降噪原理

圖1中左側(cè)y1和y2分別為稀疏重構(gòu)后的2個陣元的信號，D代表混合字典，它由上方左側(cè)左子矩陣的話音字典Dt和右子矩陣的噪聲字典Dn共同組成，右側(cè)W是2個陣元信號在字典上表達(dá)對應(yīng)的稀疏系數(shù)矩陣，其上部對應(yīng)目標(biāo)信號系數(shù)，下部為噪聲信號系數(shù)，這些系數(shù)是通過?2／ ?1正則化約束得到。2個麥克風(fēng)所獲得的噪聲信號由于存在不一致性，故在多任務(wù)稀疏模型中噪聲信號的系數(shù)得以抑制，圖1中W對應(yīng)框下半部分噪聲對應(yīng)系數(shù)較小或者為0，去噪處理時統(tǒng)一做置0處理。

假定從2個陣元接收信號中每次取m個采樣點(diǎn)并且經(jīng)過相位補(bǔ)償，然后定義Y為一個m行2列的矩陣，第1列和第2列分別為信號 y1p(t )和y2p(t)的m個采樣點(diǎn)，Y在混合字典上表達(dá)對應(yīng)的系數(shù)矩陣W滿足下式約束

其中，D=[Dt,Dn]，是目標(biāo)話音字典和噪聲字典組成的過完備基向量組成的數(shù)據(jù)字典矩陣；λ為正則化系數(shù),其值的大小決定了系數(shù)矩陣的稀疏性程度；式(6)中第二項為對系數(shù)進(jìn)行稀疏性約束的?2／ ?1混合范數(shù)。求得式(6)中的最優(yōu)解后，還需要對中對應(yīng)噪聲部分的系數(shù)置0，得到。此時陣列降噪后的輸出信號為

式(6)是以下多任務(wù)稀疏表示的一種特殊情況：

其中， f(·)是一個光滑的凸代價函數(shù)。該問題可使用加速近似梯度算法[9,18,19]進(jìn)行求解。該算法為迭代算法，每一次迭代中首先不考慮正則化項，使用加速梯度下降使得 f(·)函數(shù)值減小，然后再將加速梯度下降得到的解通過近似算子“投影”到約束的可行域中。加速近似梯度算法的框架如算法3所示。

算法3 加速近似梯度算法

輸入：

代價函數(shù)： f(·)

正則化參數(shù)：λ

初始化仿射組合參數(shù)：β0

初始化系數(shù)矩陣：W0

收斂閾值：τ

輸出：

系數(shù)矩陣：W*

步驟：

1)repeat

2)通過仿射組合計算搜索點(diǎn)：

3)使用自適應(yīng)步長 t(k)計算下一個梯度下降點(diǎn)U(k+1)：

4)使用近似算子計算下一個系數(shù)矩陣：W(k+1):

5)更新 t(k+1)和β(k+1)準(zhǔn)備下次迭代

6)k←k+1;

7)until||W(k+1)-W(k)||2≤τ

8)return W*=W(k+1)

對于算法3中的4)，文獻(xiàn)[19]給出了一種簡便的按行分離的計算方法

3.3 算法復(fù)雜度分析

為了衡量本文算法的性能，選擇廣義旁瓣抵消器(GSC,generalized sidelobe canceller)和基于相干濾波器作為參考對象。由于在二元麥克風(fēng)小陣列中3種算法均需要進(jìn)行短時傅里葉變換和反變換，因而在比較中可以都不考慮傅里葉變換和反變換復(fù)雜度的影響。

本文方法是基于加速近似梯度算法，對于一個二元陣列，每次處理m個采樣點(diǎn)，則基于?2／ ?1正則化約束多任務(wù)稀疏表達(dá)的算法復(fù)雜度是O(n(m+2)／，其中，ε為信號重構(gòu)誤差，n為字典中原子的數(shù)目。而相位補(bǔ)償?shù)乃惴◤?fù)雜度為O(m)，因而本文算法不考慮傅里葉變換與反變換的計算量時，對 m個采樣點(diǎn)的算法復(fù)雜度為；GSC 算法復(fù)雜度[20]為O(4ml+m+3)，其中，l為GSC中自適應(yīng)濾波器的長度，因此基于二元麥克風(fēng)小陣列的 GSC算法加上時延補(bǔ)償后的總復(fù)雜度為O(4ml+2m+3)；而相干濾波器[7]的算法復(fù)雜度為O(m)。

由于本文算法中使用的是過完備字典，即n＞m，同時ε為很小的正數(shù)，因此本文的算法復(fù)雜度比另外2種算法復(fù)雜度高。不過由于在實(shí)際處理時，對信號是分幀進(jìn)行的，只要幀不太長，對于當(dāng)前主流的處理器運(yùn)算速度，本文算法基本能滿足實(shí)時性要求。

4 實(shí)驗(yàn)分析

本實(shí)驗(yàn)主要驗(yàn)證本文算法在目標(biāo)話音信號陣列接收信號的開始位置和非開始位置對于非平穩(wěn)噪聲干擾的降噪效果，信號的幀長為256點(diǎn)，字典矩陣大小為256×1024。實(shí)驗(yàn)表明，正則化系數(shù)λ取值為0.1附近時，可以取得較好的去噪效果，故實(shí)驗(yàn)中使用λ=0. 1。每個實(shí)驗(yàn)采用開始2s長度的噪聲相關(guān)信號進(jìn)行學(xué)習(xí)得到相應(yīng)的噪聲字典，該相關(guān)噪聲信號通過式(5)計算得到。另外使用GSC[1]和基于相干濾波器[7]2種經(jīng)典的二元麥克風(fēng)小陣列話音增強(qiáng)算法作為比較，同時假設(shè)這2種方法在VAD估計時完全準(zhǔn)確。

4.1 仿真實(shí)驗(yàn)

仿真實(shí)驗(yàn)使用陣元間距為2 cm的二元麥克風(fēng)小陣列，干擾噪聲信號來自Noise92[21]噪聲庫，在實(shí)驗(yàn)中使用了2個相同的噪聲干擾源，用來模擬真實(shí)環(huán)境多個噪聲源情況，信號的采樣頻率降到16 KHz；目標(biāo)聲源離陣列15 cm，圖2為噪聲干擾源、目標(biāo)信號源、陣列的位置關(guān)系圖，為了與實(shí)際環(huán)境相似，圖2中目標(biāo)信號位置位于2個陣元中心線偏左一點(diǎn)，本實(shí)驗(yàn)中偏左 3 mm，處理時認(rèn)為是在中心線上，以模擬實(shí)際目標(biāo)信號位置估計略有偏差情景。陣列仿真信號使用Kentucky大學(xué)的ArrayToolbox工具箱產(chǎn)生。

圖2 仿真環(huán)境陣列、目標(biāo)信號、噪聲信號位置關(guān)系

第1個實(shí)驗(yàn)的主要目的是驗(yàn)證本文算法對于目標(biāo)信號處于開始幀位置時的降噪能力，干擾源為多人話音干擾（babble）噪聲，圖 3(a)為原始話音信號波形圖，經(jīng)過babble噪聲干擾后第一個陣元接收到的含噪話音信號如圖3(b)所示。從圖3(c)和圖3(d)中可以看出，由于陣列接收的含噪信號開始含有目標(biāo)信號，GSC和互相干算法處理后開始階段都發(fā)生了明顯的失真，而從圖3(e)本文算法處理后的波形圖可以看出，失真與另外2種算法相比明顯較小，另外與圖3(b)的原始含噪信號相比，噪聲已得到明顯抑制。

為了對 3種算法的話音失真情況進(jìn)行定量分析，需對增強(qiáng)后的話音信號進(jìn)行話音失真度(speech distortion)[22]計算

其中，H表示話音增強(qiáng)函數(shù)，x表示原始目標(biāo)信號，k為采樣因子，E(·)表示數(shù)學(xué)期望，xσ為原始目標(biāo)信號的均方。vsd的數(shù)值越小表明失真度也越小。分別對GSC、相干濾波以及本文算法在第1個實(shí)驗(yàn)處理結(jié)果使用式(10)計算得到：0. 031、0. 103、0. 012，這表明陣列接收到的含噪信號開始幀含有目標(biāo)信號時，多任務(wù)稀疏性約束話音增強(qiáng)算法相對具有較小的失真度。

圖3 babble干擾處理前后波形

第2個實(shí)驗(yàn)的主要目的是驗(yàn)證本文算法在不同信噪比環(huán)境下的降噪效果，干擾源為背景音樂，位置關(guān)系同第1個實(shí)驗(yàn)，唯一的區(qū)別是2個噪聲源均為背景音樂。另外為了能與其他方法相比較，實(shí)驗(yàn)中陣列接收信號的開始位置不含目標(biāo)話音信號。比較結(jié)果如圖4所示，其中，信噪比通過式(11)計算。

其中，P(x)和 P(n)分別為目標(biāo)信號和噪聲信號功率譜密度。輸出信噪比中的噪聲譜密度采用最小統(tǒng)計[23～25]的方法進(jìn)行估計，然后使用含噪信號譜密度減去噪聲譜密度即為目標(biāo)信號譜密度，進(jìn)而利用式(11)計算出每個輸出信號的信噪比。

從圖4可以看出，在不同信噪比條件下，本文提出的話音增強(qiáng)算法信噪比大概能提升12 dB左右，與基于相干濾波器方法降噪效果大致差不多，但優(yōu)于波束形成算法，另外本文算法的一個重要優(yōu)點(diǎn)是無需使用話音活動檢測支持，同時在上面2個實(shí)驗(yàn)中發(fā)現(xiàn)，在幀長為256時，本文算法基本能達(dá)到實(shí)時性要求。

圖4 仿真環(huán)境陣列、目標(biāo)信號、噪聲信號位置關(guān)系

第3個實(shí)驗(yàn)主要驗(yàn)證相位補(bǔ)償誤差對本文算法的影響。目標(biāo)信號與陣列中心距離為15 cm，且偏左與陣列中心線成 45°角，含噪信號的初始信噪比為0 dB。相位補(bǔ)償陣列、信號源位置關(guān)系如圖5所示。

圖5 相位補(bǔ)償陣列、信號源位置關(guān)系

圖5中噪聲1和噪聲2均為音樂噪聲，距離陣列中心分別約為0.8 m和1.6 m。此時根據(jù)本文第2節(jié)分析，應(yīng)該對陣元2信號乘以 e-jωdcosθ／c，才能得到準(zhǔn)確的相位補(bǔ)償。

實(shí)驗(yàn)中設(shè)計估計的目標(biāo)聲源偏離實(shí)際聲源誤差以2 mm一個間隔增加，話音增強(qiáng)效果與目標(biāo)聲源偏離誤差的關(guān)系如圖6所示。從圖6可以看出，在本實(shí)驗(yàn)條件下，當(dāng)目標(biāo)估計聲源位置偏離越大時性能也越差，這主要是由于當(dāng)估計誤差越大時，訓(xùn)練用的參考噪聲含有目標(biāo)信號越多，導(dǎo)致學(xué)習(xí)得到的噪聲字典無法較好地分離目標(biāo)信號與噪聲信號，從而對降噪產(chǎn)生一定的影響。

圖6 目標(biāo)聲源估計誤差對處理效果的影響

但從圖6中同時也可以看出，在估計誤差較小的情況下，如小于4 mm，與沒有誤差的估計性能相差較小。

考慮到本文應(yīng)用場景是手機(jī)或助聽器領(lǐng)域，目標(biāo)信號距離陣列較近而噪聲相對較遠(yuǎn)，此時相位估計相對較準(zhǔn)確，因而相位補(bǔ)償誤差不會太大，對降噪不會產(chǎn)生明顯影響。另外本實(shí)驗(yàn)也說明本文算法中相位補(bǔ)償?shù)牟襟E有益于噪聲消除。

為了進(jìn)一步驗(yàn)證本文算法的有效性，使用基于ITU-T P.862.2[25]定義的話音質(zhì)量感知評價(PESQ,perceptual evaluation of speech quality)標(biāo)準(zhǔn)作為重建話音質(zhì)量的客觀評價。基于PESQ標(biāo)準(zhǔn)的算法首先對原始話音信號和含噪話音經(jīng)話音增強(qiáng)后的信號進(jìn)行電平調(diào)整到標(biāo)準(zhǔn)聽覺電平，再用 IRS(intermediate reference system)濾波器進(jìn)行濾波。對通過電平調(diào)整和濾波后的2個信號在時間上對準(zhǔn)，并進(jìn)行聽覺變換，該變換包括對系統(tǒng)中線性濾波和增益變化的補(bǔ)償和均衡。2個聽覺變換后的信號之間的譜失真測度作為擾動，分析擾動曲面提取出的退化參數(shù)，并在頻率和時間上累積起來，映射到對主觀MOS的預(yù)測值?；赑ESQ標(biāo)準(zhǔn)的算法可以比較待測試話音信號與指定參考信號之間的聽覺距離，并提供類似主觀平均意見分(MOS,mean opinion score)的PESQ MOS話音質(zhì)量打分，其分值范圍在?0.5～4.5之間，分值越大表示增強(qiáng)后的話音與原始話音越接近。

實(shí)驗(yàn)環(huán)境同第1個實(shí)驗(yàn)，使用GSC、相干濾波器以及本文方法分別對babble、音樂、汽車、辦公室、工廠 5種背景噪聲干擾的目標(biāo)話音信號進(jìn)行降噪處理，陣元接收到的含噪信號初始信噪比均為1 dB左右，使用基于PESQ MOS算法測試時需同時輸入原始目標(biāo)信號。表1為本實(shí)驗(yàn)環(huán)境下不同算法 PESQ MOS得分情況，從表中可以看出，本文算法PESQ MOS評價結(jié)果也優(yōu)于另外2種話音增強(qiáng)算法。

4.2 真實(shí)數(shù)據(jù)實(shí)驗(yàn)

實(shí)驗(yàn)中的二元麥克風(fēng)陣列采用2個全指向性硅微麥克風(fēng)組成，陣元間距為1 cm，音頻采集卡使用福建泉州恒通數(shù)碼科技的 DAR-2000進(jìn)行信號采集，采樣率為32 KHz；實(shí)驗(yàn)環(huán)境為一個長、寬、高分別約為6 m、5 m和3 m的實(shí)驗(yàn)室內(nèi)。目標(biāo)信號源為真人朗誦且位于陣列的正前方約 15 cm；噪聲信號源為位于陣列左前方的音箱，離陣列距離約為1 m。實(shí)驗(yàn)中分別使用babble、汽車、工廠、音樂以及辦公室等作為背景噪聲，不同二元麥克風(fēng)小陣列降噪算法處理的結(jié)果如表2所示。

表1 PESQ MOS得分結(jié)果比較

表2 不同類型背景噪聲處理信噪比比較

由表2可以看出，在實(shí)際環(huán)境中，無論輸入信號的信噪比如何，本文算法明顯比GSC算法要好，比相干濾波器略有改善。考慮到實(shí)驗(yàn)中的VAD是理想狀況，實(shí)際情況中很難滿足，因而無需VAD支持的本文降噪算法相對來說更具可靠性。此外實(shí)際實(shí)驗(yàn)環(huán)境是在室內(nèi)，因而具有一定的混響干擾，本文算法雖然是基于加性噪聲干擾的噪聲抑制，但由于混響噪聲在多個麥克風(fēng)獲取的信號中無一致性，故多任務(wù)稀疏表示對于此類乘性噪聲也有一定的抑制能力。

5 結(jié)束語

本文把基于多任務(wù)稀疏性約束的方法引入到二元麥克風(fēng)小陣列中。首先利用相位補(bǔ)償使其滿足多任務(wù)稀疏性學(xué)習(xí)算法的條件。文中通過語料庫的離線字典學(xué)習(xí)獲得通用的話音信號字典，利用噪聲參考信號進(jìn)行實(shí)時在線字典學(xué)習(xí)獲得適應(yīng)于環(huán)境噪聲的噪聲信號字典，進(jìn)而可以通過?2／ ?1范數(shù)約束噪聲信號的系數(shù)，從而達(dá)到降噪的目的。與傳統(tǒng)的二元麥克風(fēng)小陣列話音增強(qiáng)算法相比，不但可以克服話音活動檢測的限制,而且也不需要假定處理信號初始階段為非話音段的條件,并具有明顯的降噪效果。

[1]GRIFFITHS L,JIM C. An alternative approach to linearly constrained adaptive beamforming[J]. IEEE Transactions on Antennas and Propagation,1982,30(1):27-34.

[2]ELKO G W,PONG A N. A simple adaptive first-order differential microphone[A]. Proceedings of IEEE International Conference on Applications of Signal Processing to Audio and Acoustics[C]. New Paltz,NY,USA,1995.169-172.

[3]BRANDSTEIN M,WARD D. Microphone Arrays: Signal Processing Techniques and Applications[M]. Berlin: Springer Verlag,2001.

[4]CHENA J,PHUA K,SHUEA L,et al. Performance evaluation of adaptive dual microphone system[J]. Speech Communication,2009,51(12):1180-1193.

[5]HUANG Y,CHEN J,BENESTY J. Immersive audio schemes[J].IEEE Signal Processing Magazine,2011,28(1):20-32.

[6]ALLEN J B,BERKLEY D A,BLAUERT J. Multimicrophone signal-processing technique to remove room reverberation from speech signals[J]. The Journal of the Acoustical Society of America,1977,62(4):912:915.

[7]KALLEL F,GHORBEL M,FRIKHA M,et al. A noise cross PSD estimator based on improved minimum statistics method for two-microphone speech enhancement dedicated to a bilateral cochlear implant[J]. Applied Acoustics,2012,73(3):256-264.

[8]ARGYRIOU A,EVGENIOU T,PONTIL M. Convex multi-task feature learning[J]. Machine Learning,2008,73(3):243-272.

[9]LIU J,JI S,YE J. Multi-task feature learning via efficient l2,1-norm minimization[A]. Proceedings of the Conference on Uncertainty in Artificial Intelligence[C]. Montreal,Canada,2009. 339-348.

[10]ROMERA PAREDES B,ARGYRIOU A,BIANCHI-BERTHOUZE N,et al. Exploiting unrelated tasks in multi-task learning[A]. Proceedings of the 15th International Conference on Artificial Intelligence and Statistics[C]. La Palma,Canary Islands,2012.951-962.

[11]GEMMEKE J F,CRANEN B. Sparse imputation for noise robustspeech recognition using soft masks[A]. IEEE International Conference on Acoustics,Speech and Signal Processing[C]. 2009.4645-4648.

[12]HE Y J,HAN J Q,DENG S W,et al. A solution to residual noise in speech denoising with sparse representation[A]. IEEE International Conference on Acoustics,Speech and Signal Processing[C]. Kyoto,Japan,2011.4653-4656.

[13]SIGG C D,DIKK T,BUHMANN J M. Jordan speech enhancement using generative dictionary learning[J]. IEEE Transactions on Audio,Speech,and Language Processing,2012,20(6):1698-1712.

[14]COBOS M,LOPEZ J J,SPORS S. Analysis of room reverberation effects in source localization using small microphone arrays[A]. International Symposium on Communications,Control and Signal Processing[C]. Limassol,Cyprus,2010.1-4.

[15]BLANDIN C,VINCENT E,OZEROV A. Multi-source TDOA estimation using SNR-based angular spectra[A]. IEEE International Conference on Acoustics,Speech and Signal Processing[C]. Prague,Czech Republic,2011.2616-2619.

[16]BACH F,PONCE J,SAPIRO G. Online learning for matrix factorization and sparse coding[J]. Journal of Machine Learning Research,2010,2010(11):19-60.

[17]MAIRAL J,BACH F,PONCE J,et al. Online dictionary learning for sparse coding[A]. International Conference on Machine Learning[C].Montreal,Canada,2009.689-696.

[18]http://www.dcs.shef.ac.uk/spandh/gridcorpus/.

[19]CHEN X. Accelerated gradient method for multi-task sparse learning problem[A]. IEEE International Conference Data Mining[C]. Miami,FL,2009.746-751.

[20]HERBORDT W,KELLERMANN W. Efficient frequency-domain realization of robust generalized,sidelobe cancellers[A]. IEEE Fourth Workshop on Multimedia Signal Processing[C]. Cannes,France,2001.377-382.

[21]http://spib.rice.edu/spib/select_noise.html.

[22]BENESTY J,CHEN J,HUANG Y. Microphone Array Signal Processing[M]. Berlin: Spring-Verlag,2008.10-11.

[23]MARTIN R. Noise power spectral density estimation based on optimal smoothing and minimum statistics[J]. IEEE Transactions on Speech and Audio Processing,2001,9(5):504-512.

[24]MARTIN R. Bias compensation methods for minimum statistics noise power spectral density estimation[J]. Signal Processing,2006,86(6):1215-1229.

[25]Wideband Extension to Rec P862 for the Assessment of Wideband Telephone Networks and Speech Codecs[R]. Intl Telecom Union,2007.