حذف نویز صوتی مبتنی بر یک الگوریتم وفقی نوین

نویسندگان

1 دانشجوی دکترا

2 دانشگاه فردوسی مشهد

چکیده

چکیده: الگوریتم وفقی کمینه میانگین مربعـات (LMS) بـه­صـورت گستـرده در سناریـوی حـذف نـویز صوتی مورداستفاده قرار گرفته است. سیگنال­های صوتی مانند گفتار معمولاً شامل تغییرات ناگهانی هستند که با نویز ضربه­ای مدل می­شوند. از طرف دیگر، کانال­های صوتی در عالم واقعیت دارای پاسخ ضربه تنک هستند. نویز ضربه­ای و کانال صوتی تنک، دو چالش مهم در سنـاریوی حـذف نـویز صوتی هستند که اخیراً هرکدام به­طور جداگانه موردتوجه پژوهشگران قرار گرفته­اند. در این مقاله به­منظور بهبود کارایی ضعیف الگوریتم LMS در حضور نویز ضربه­ای و پاسخ ضربه تنک کانال صوتی، یک الگوریتم وفقی نوین ارائه می­شود. به­منظور حذف نویز ضربه­ای از سیگنال گفتار، معیاری مبتنی بر تئوری اطلاعات، با نام کُرآنتروپی، در تابع هزینه الگوریتم پیشنهادی در نظر گرفته ‌شده و همچنین به­منظور مقابله با ویژگی تنک بودن پاسخ ضربه کانال صوتی، تقریب نرم صفر در تابع هزینه مورداستفاده قرار گرفته است. نتایج شبیه­سازی به همراه تحلیل­های ریاضی، نشان­دهنده برتری کارایی الگوریتم پیشنهادی در کانال‌های صوتی تنک به همراه نویز ضربه­ای است.

کلیدواژه‌ها


عنوان مقاله [English]

Acoustic Noise Cancellation based on a Novel Adaptive Algorithm

[1]  B. Farhang-Boroujeny, Adaptive Filters: Theory and Applications, New York: John Wiley, 1998.
[2]  A. H. Sayed, Fundamentals of Adaptive Filtering, New York: Wiley, 2003.
[3]  J. Arenas-Garcia and A. R. Figueiras-vidal, "Adaptive combination of proportionate filters for sparse echo cancellation," IEEE Transactions on Audio, Speech, and Language Processing, vol. 17, no. 6, pp. 1087-1098, 2009.
[4] D. Comminiello, M. Scarpiniti, L. A. Azpicueta-Ruiz, J. Arenas-Garcia and A. Uncini, "Nonlinear acoustic echo cancellation based on sparse functional link representations," IEEE Transactions on Audio, Speech, and Language Processing, vol. 22, no. 7, pp. 1172-1183, 2014.
[5] P. A. Naylor, J. Cui and M. Brookes, "Adaptive algorithms for sparse echo cancellation," Signal Processing, vol. 86, pp. 1182–1192, 2006.
[6] G. Su, J. Jin, Y. Gu and J. Wang, "Performance analysis of l0-norm constraint least mean square algorithm," IEEE Transactions on Signal Processing, vol. 60, no. 5, pp. 2223-2235, 2012.
[7] Y. Gu, J. Jin, and S. Mei, “L0-norm constraint LMS algorithm for sparse system identification,” IEEE Signal Processing Letter, vol. 16, no. 9, pp. 774–777, 2009.
[8] F. R. Avila and L. W. P. Biscainho, "Bayesian restoration of audio signals degraded by impulsive noise modeled as individual pulses," IEEE Transactions on Audio, Speech, and Language Processing, vol. 20, no. 9, pp. 2470-2481, 2012.
[9] M. Niedzwiecki and M. Ciolek, "Elimination of impulsive disturbances from archive audio signals using bidirectional processing," IEEE Transactions on Audio, Speech, and Language Processing, vol. 21, no. 5, pp. 1046-1059, 2013.
[10] I. Kauppinen, "Methods for detecting impulsive noise in speech and audio signals," IEEE International Conference on Digital Signal Processing, vol. 2, pp. 967-970, 2002.
[11] N. J. Bershad, "On error saturation nonlinearities for LMS adaptation in impulsive noise," IEEE Transactions on Signal Processing, vol. 56, no. 9, pp. 4526-4530, 2008.
[12] L. Shi and Y. Lin, "Convex combination of adaptive filters under the maximum correntropy criterion in impulsive interference," IEEE Signal Processing Letters, vol. 21, no. 11, pp. 1385-1388, 2014.
[13] W. Lin,P. P. Pokharel and J. C. Principe, “Correntropy: Properties and applications in non-Gaussian signal processing,” IEEE Transactions on Signal Processing, vol. 55, no. 11, pp. 5286-5298, 2007.
[14] J. M. Gorriz, J. Ramirez, S. Cruces-Alvarez, C. G. Puntonet, E. W. Lang and D. Erdogmus, "A novel LMS algorithm applied to adaptive noise cancellation," IEEE Signal Processing Letters, vol. 16, no. 1, pp. 34-37, 2009. 
[15] S. C. Chan and Y. X. Zou, “A recursive least M-estimate algorithm for robust adaptive filtering in impulsive noise: Fast algorithm and convergence performance analysis,” IEEE Transactions on Signal Processing, vol. 52, no. 4, pp. 975–991, 2004.
[16] S. Bayram and S. Gezici, "On the performance of single-threshold detectors for binary communications in the presence of Gaussian mixture noise,” IEEE Transactions on Communications, vol. 58, no. 11, pp. 3047-3053, 2010.