【语音去噪】基于matlab小波变换软阈值+硬阈值+改进的小波变换语音去噪【含Matlab源码 3142期】

💥💥💥💥💥💥💞💞💞💞💞💞💞💞欢迎来到海神之光博客之家💞💞💞💞💞💞💞💞💥💥💥💥💥💥

✅博主简介：热爱科研的Matlab仿真开发者，修心和技术同步精进；
🍎个人主页：海神之光
🏆代码获取方式：
海神之光Matlab王者学习之路—代码获取方式

⛳️座右铭：行百里者，半于九十。
更多Matlab语音处理仿真内容点击👇
①Matlab语音处理 （进阶版）
②付费专栏Matlab语音处理（初级版）

⛳️关注微信公众号Matlab王者助手或Matlab海神之光，更多资源等你来！！

⛄一、小波阈值语音降噪简介

0 引言
语音信号在传输过程中, 会不可避免地受到外界环境噪声的干扰, 从而影响人们之间的相互交流与沟通。如何从含噪语音信号中将原始信号提取出来, 提高信号信噪比, 是现代语音信号处理领域的研究热点之一。小波阈值去噪法因其实现简单, 运算量小等优点被广泛应用于信号处理领域。

小波阈值去噪法的关键是阈值函数的选取。常规的阈值函数选取过于简单, 考虑不全面, 去噪效果受到限制。针对这些不足做了大量研究, 提出了一些改进方法。本文在软阈值函数的基础上, 提出了一种优化的参数阈值函数, 使得去噪效果得到较大提升。基于对实验结果的分析, 又提出了一种最优参数选择法, 进一步提升了去噪效果。

1 小波阈值语音去噪原理
小波阈值语音去噪可分为以下三个步骤:

(1) 含噪语音信号的小波分解。选择一个合适的小波基并确定分解层数l, 进行分解计算, 得到小波分解的各层高频系数ωd (1) , ωd (2) , …, ωd (l) 和低频系数ωa (l) 。

2 阈值函数的选取
在阈值量化过程中, 常规的阈值函数有软、硬阈值函数[10]两种:

硬阈值函数:

软阈值函数:

硬阈值函数可以很好地保留信号的局部特征, 但由于硬阈值函数不连续, 信号在重构的时候可能会产生一些震荡;软阈值函数是连续的, 但当小波系数较大时, 处理后的小波系数会出现较大的恒定偏差, 影响重构信号与真实信号的逼近程度。

本文提出了一种参数阈值函数:

其中, α∈[0, 1]为参数, 当α=0时, 即为软阈值函数。

图1为上述三种阈值函数图像的对比, 由图1可看出, 参数阈值函数介于软、硬阈值函数之间, 且在±λ点是连续的, 避免了硬阈值函数处理信号时发生震荡的问题;当|ωjk|<λ时, 将小波系数平滑过渡到0而非直接将其置零, 既抑制了噪声, 又避免信息丢失严重。

图1 三种阈值函数的对比 (α=0.5)

⛄二、部分源代码

%加载纯净语音信号
x = wnoise(‘bumps’,8);
%加载高斯白噪声
snr=15;%修改含噪信号的信噪比
y=awgn(x,snr,‘measured’);
%含噪信号的信噪比与均方误差
snro=SNR_singlech(x,y)
d= MSE(x,y)
%小波分解
[c,l]=wavedec(y,6,‘sym7’);
ca6=appcoef(c,l,‘sym7’,6);
cd6=detcoef(c,l,6);
cd5=detcoef(c,l,5);
cd4=detcoef(c,l,4);
cd3=detcoef(c,l,3);
cd2=detcoef(c,l,2);
cd1=detcoef(c,l,1);
%获得默认阈值%
sigma= median(abs(cd1))/0.6745;
alpha=2;

thr=wbmpen(c,l,sigma,alpha);

%软阈值去噪%
cd1soft=wthresh(cd1,‘s’,thr);
cd2soft=wthresh(cd2,‘s’,thr);
cd3soft=wthresh(cd3,‘s’,thr);
cd4soft=wthresh(cd4,‘s’,thr);
cd5soft=wthresh(cd5,‘s’,thr);
cd6soft=wthresh(cd6,‘s’,thr);

csoft=[ca6 cd6soft cd5soft cd4soft cd3soft cd2soft cd1soft];
xsoft=waverec(csoft,l ,‘sym7’);
%硬阈值去噪
cdhard1=wthresh(cd1,‘h’,thr);
cdhard2=wthresh(cd2,‘h’,thr);
cdhard3=wthresh(cd3,‘h’,thr);
cdhard4=wthresh(cd4,‘h’,thr);
cdhard5=wthresh(cd5,‘h’,thr);
cdhard6=wthresh(cd6,‘h’,thr);
chard=[ca6 cdhard6 cdhard5 cdhard4 cdhard3 cdhard2 cdhard1];
xhard=waverec(chard,l,‘sym7’);

%默认去噪方法%
%xd=wdencmp(‘gbl’,x,‘db4’,3,thr,sorh,keepapp);

%新去噪方法%
cd1new=newthresh(cd1,thr,0.3);

subplot(311);plot(x);
axis([0 1200 -5 10]);
xlabel(‘(a) 原始纯净bumps信号 (采样点)’);ylabel(‘幅度’);
subplot(312);plot(y);
axis([0 1200 -5 10]);
xlabel(‘(b) 含噪bumps信号 (采样点)’);ylabel(‘幅度’);
subplot(313);plot(xhard);
axis([0 1200 -5 10]);
xlabel(‘© 硬阈值降噪后bumps信号 (采样点)’);ylabel(‘幅度’);
figure(3)
subplot(311);plot(x);
axis([0 1200 -5 10]);
xlabel(‘(a) 原始纯净bumps信号 (采样点)’);ylabel(‘幅度’);
subplot(312);plot(y);
axis([0 1200 -5 10]);
xlabel(‘(b) 含噪bumps信号 (采样点)’);ylabel(‘幅度’);
subplot(313);plot(xnew);
axis([0 1200 -5 10]);
xlabel(‘© 改进阈值降噪后bumps信号 (采样点)’);ylabel(‘幅度’);

⛄三、运行结果

⛄四、matlab版本及参考文献

1 matlab版本
2014a

2 参考文献
[1]韩纪庆,张磊,郑铁然.语音信号处理（第3版）[M].清华大学出版社，2019.
[2]柳若边.深度学习:语音识别技术实践[M].清华大学出版社，2019.
[3]张宝,魏连鑫.基于参数阈值函数的小波阈值语音去噪[J].信息技术. 2017,(08)

3 备注
简介此部分摘自互联网，仅供参考，若侵权，联系删除

🍅 仿真咨询
1 各类智能优化算法改进及应用
生产调度、经济调度、装配线调度、充电优化、车间调度、发车优化、水库调度、三维装箱、物流选址、货位优化、公交排班优化、充电桩布局优化、车间布局优化、集装箱船配载优化、水泵组合优化、解医疗资源分配优化、设施布局优化、可视域基站和无人机选址优化

2 机器学习和深度学习方面
卷积神经网络（CNN）、LSTM、支持向量机（SVM）、最小二乘支持向量机（LSSVM）、极限学习机（ELM）、核极限学习机（KELM）、BP、RBF、宽度学习、DBN、RF、RBF、DELM、XGBOOST、TCN实现风电预测、光伏预测、电池寿命预测、辐射源识别、交通流预测、负荷预测、股价预测、PM2.5浓度预测、电池健康状态预测、水体光学参数反演、NLOS信号识别、地铁停车精准预测、变压器故障诊断

3 图像处理方面
图像识别、图像分割、图像检测、图像隐藏、图像配准、图像拼接、图像融合、图像增强、图像压缩感知

4 路径规划方面
旅行商问题（TSP）、车辆路径问题（VRP、MVRP、CVRP、VRPTW等）、无人机三维路径规划、无人机协同、无人机编队、机器人路径规划、栅格地图路径规划、多式联运运输问题、车辆协同无人机路径规划、天线线性阵列分布优化、车间布局优化

5 无人机应用方面
无人机路径规划、无人机控制、无人机编队、无人机协同、无人机任务分配

6 无线传感器定位及布局方面
传感器部署优化、通信协议优化、路由优化、目标定位优化、Dv-Hop定位优化、Leach协议优化、WSN覆盖优化、组播优化、RSSI定位优化

7 信号处理方面
信号识别、信号加密、信号去噪、信号增强、雷达信号处理、信号水印嵌入提取、肌电信号、脑电信号、信号配时优化

8 电力系统方面
微电网优化、无功优化、配电网重构、储能配置

9 元胞自动机方面
交通流 人群疏散 病毒扩散 晶体生长

10 雷达方面
卡尔曼滤波跟踪、航迹关联、航迹融合