基于卡尔曼与自适应滤波的语音去噪仿真系统

资 源 简 介

本项目利用MATLAB平台设计并实现了一套语音去噪仿真系统，重点研究并应用了卡尔曼滤波（Kalman Filter）与自适应滤波（Adaptive Filter）两种核心算法来处理含噪语音信号。项目的主要功能包括：1. 信号采集与预处理：能够读取标准格式（如.wav）的原始纯净语音信号，并对其进行采样率转换或归一化处理。2. 噪声环境模拟：系统内置噪声生成模块，能够向纯净语音中叠加不同信噪比（SNR）的高斯白噪声，以模拟现实生活中的背景噪声环境，生成待处理的含噪语音信号。3. 算法核心实现：一是实现基本的离散线性卡尔曼滤波算法，通过构建语音信号的状态方程和观测方程，利用预测-更新循环机制对噪声进行抑制；二是实现自适应滤波算法（主要基于LMS最小均方算法或RLS递归最小二乘算法），通过自动调整滤波器权值系数来逼近目标信号，实现噪声抵消。4. 结果分析与评估：系统能够同步展示原始语音、含噪语音及两种算法去噪后的时域波形图和频域频谱图，直观对比去噪效果；同时计算并输出客观评价指标，如输出信噪比（SNR）和均方误差（MSE），以便定量分析两种算法在不同噪声强度下的性能差异。该项目适用于数字信号处理课程的教学演示及语音增强技术的初步研究。

详 情 说 明

基于卡尔曼滤波与自适应滤波的语音去噪仿真系统

项目介绍

本项目是一个基于 MATLAB 平台开发的语音信号处理仿真系统。该系统旨在模拟现实环境中的背景噪声，并对比分析两种经典的数字信号处理算法——离散卡尔曼滤波（Kalman Filter）与自适应滤波（Adaptive Filter, LMS算法）在语音去噪方面的性能。

系统集成了信号产生的灵活性（支持外部文件或内部合成）、噪声环境模拟、核心算法实现以及全方位的可视化评估功能，适用于数字信号处理技术的教学演示与算法研究。

功能特性

• 灵活的信号源获取：支持读取外部 .wav 语音文件；若文件不存在，系统能自动合成包含多频率正弦波、调频信号及包络特性的仿真语音信号。
• 噪声环境仿真：能够根据指定的目标信噪比（SNR），精确计算噪声功率并生成高斯白噪声，叠加至纯净语音中。
• 卡尔曼滤波去噪：基于线性预测编码（LPC）构建状态空间模型，利用卡尔曼滤波的“预测-更新”迭代机制从含噪信号中恢复语音。
• 自适应滤波去噪：采用自适应谱线增强器（ALE）结构，基于最小均方（LMS）算法自动调整滤波器权值，利用信号的相关性分离噪声。
• 多维度性能评估：自动计算并输出含噪信号及两种算法处理后的信噪比（SNR）和均方误差（MSE）。
• 直观的可视化展示：同步绘制时域波形图与频域功率谱密度图（PSD），直观对比去噪前后的信号特征。
• 结果保存：自动将含噪语音及去噪后的音频保存到本地。

系统要求

• MATLAB R2016a 或更高版本
• Signal Processing Toolbox（信号处理工具箱，用于 lpc、pwelch 等函数）

使用方法

1. 将代码保存为 MATLAB 脚本文件（如 main.m）。
2. （可选）在同目录下放置名为 input_speech.wav 的纯净语音文件。如果未提供，程序将自动生成合成语音用于演示。
3. 在 MATLAB 环境中直接运行该脚本。
4. 程序运行结束后，控制台将显示 SNR 和 MSE 评估指标，弹出绘图窗口展示波形和频谱，并在当前目录生成 output_noisy.wav、output_kalman.wav 和 output_lms.wav 音频文件。

详细实现与算法逻辑

系统主要逻辑在单一脚本中顺序执行，具体实现流程如下：

1. 系统参数初始化

程序首先定义了全局仿真参数：

• 目标信噪比：设定为 5dB，用于控制噪声强度。
• LMS 参数：滤波器阶数设为 32，步长因子设为 0.002，采用 ALE 结构的延迟设为 1。
• 卡尔曼参数：AR 模型阶数设为 10，用于构建状态方程。

2. 信号采集与预处理

系统具备智能的信号加载机制：

• 文件读取：优先尝试读取 input_speech.wav，若为双声道则自动转换为单声道。
• 自动合成：若文件不存在，系统利用正弦波叠加（440Hz, 880Hz, 1200Hz）、调频调制以及指数包络技术，合成一段时长3秒、采样率8000Hz的模拟语音信号。
• 归一化：无论信号来源如何，均对幅度进行归一化处理（限制在 -1 到 1 之间），以统一算法的输入标准。

3. 噪声模拟

为了模拟真实的噪声环境：

• 计算纯净语音的平均功率。
• 根据设定的 SNR（5dB）反推所需的噪声功率。
• 生成对应功率的高斯白噪声序列，并将其叠加到纯净语音上，形成含噪语音信号。

4. 核心算法实现

#### A. 离散卡尔曼滤波 (Kalman Filter) 该模块实现了基于 AR 模型的标量卡尔曼滤波器：

• 参数估计：使用 lpc 函数直接从含噪信号中估计线性预测系数，以此近似语音信号的 AR 模型参数。
• 状态空间建模：

* 状态转移矩阵 (F)：利用 LPC 系数构建伴随矩阵形式，描述语音信号的时间相关性。 * 观测矩阵 (H)：构建为 [1, 0, ...]，表示只观测当前时刻的信号值。 * 噪声协方差：过程噪声 Q 基于 LPC 的预测误差方差初始化；观测噪声 R 直接设为估计的背景噪声功率。

• 迭代过程：对每一个采样点执行“时间更新（预测状态与协方差）”和“量测更新（计算卡尔曼增益并修正状态）”，最终输出状态向量的第一个元素作为去噪后的语音。

#### B. 自适应滤波 (LMS 算法) 该模块实现了基于自适应谱线增强器 (ALE) 结构的 LMS 滤波器：

• 输入构造：利用语音信号的短时相关性和宽带噪声的弱相关性，将含噪信号延迟 1 个样本后作为滤波器的输入信号。
• 期望信号：将当前的含噪信号直接作为期望信号。
• 权值更新：在循环中，程序计算滤波器输出与期望信号之间的误差，并利用 LMS 权重更新公式 W = W + 2 * mu * error * input_vector 逐点调整 32 阶滤波器的系数。
• 输出：滤波器的输出信号即为预测出的相关部分（语音成分），从而实现噪声抑制。

5. 结果分析与评估

程序内置了专门的辅助函数用于客观指标计算：

• 信噪比 (SNR)：通过计算纯净信号能量与噪声（误差）能量的比值，以对数形式（dB）输出。程序分别计算了输入信号、卡尔曼滤波输出、LMS 滤波输出相对于纯净语音的 SNR。
• 均方误差 (MSE)：计算处理后信号与纯净信号差值的平方均值，量化波形失真程度。
• 控制台输出：运行结束后，会在命令行窗口打印出三组信号的 SNR 和 MSE 对比数据。

6. 输出与可视化

系统最后生成一个包含 4 行 2 列子图的综合图表：

• 时域波形：分别展示纯净语音、含噪语音、卡尔曼去噪结果、LMS 去噪结果的波形图，并在标题中实时标注对应的 SNR 值。
• 频域分析：利用 Welch 法（pwelch）计算功率谱密度。

* 滤波前对比：将纯净语音与含噪语音的频谱叠加展示，直观呈现噪声基底的提升。 * 滤波后对比：将卡尔曼滤波和 LMS 滤波后的频谱与原始语音频谱对比，展示算法在不同频段的恢复能力和对高频噪声的抑制效果。