.png){kind=icon}
返回
Speech Enhancement Based on Grouped Polynomial Eigenvalue Decomposition
.png){kind=icon}
PRE
AI
DOI：10.1007/s00034-025-03399-w.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
语音信号在日常交流、专业任务和学术研究中发挥着关键作用。然而，在实际场景中，目标语音常受到环境噪声的干扰，无法满足人类的听觉期望。因此，需要进行语音增强以降低噪声干扰，同时尽量减少目标语音的失真。由于多项式矩阵能够充分利用语音的时域、空域和频域相关性，因此常用于滤波器设计。本文提出了一种基于分组多项式特征值分解（PEVD）方法的语音增强方法。与传统的PEVD方法相比，所提方法采用分阶段处理方案。在第一阶段，麦克风阵列观测信号被分成若干组，每组包含双通道信号。对每组执行PEVD操作，利用得到的信号子空间对相应的分组信号进行滤波，产生第一阶段输出信号。这些输出信号随后进入第二阶段进行相同处理：重新分组，通过PEVD获得新的信号子空间，并再次滤波。该分组与分解过程持续迭代，直至无法进一步分组。最后，将不同阶段得到的信号子空间合并，形成完整的信号子空间表示。针对单声源场景下的线性麦克风阵列进行的仿真表明，在分段信噪比（SegSNR）、语音质量感知评估（PESQ）和短时客观可懂度（STOI）方面，所提方法在实现与传统PEVD基语音增强相当性能的同时，平均降低了33.4%的计算复杂度。
Keyword:
Polynomial eigenvalue decomposition
Speech enhancement
Polynomial matrix
Broadband multichannel signal processing
期刊
C
IF:
2
论文数:
326
被引数:
0
机构
引用论文
Polynomial Matrix Eigenvalue Decomposition of Spherical Harmonics for Speech Enhancement.png)
ICASSP 2021 - 2021 IEEE International Conference on Acoustics, Speech and Signal Processing (ICASSP)
OAAI
ICASSP 2021 - 2021 IEEE International Conference on Acoustics, Speech and Signal Processing (ICASSP)IF0
OAAI分享收藏
分享收藏
查看更多内容