1.算法仿真效果
matlab2022a仿真结果如下：
2.算法涉及理论知识概要
语音处理过程中受到各种各样噪声的干扰，不但降低了语音质量，而且还将使整个系统无法正常工作。因此，为了消除噪声干扰，在现代语音处理技术中，工业上一般采用语音增强技术来改善语音质量从而提高系统性能。基于短时幅度谱估计来研究语音增强，主要介绍了功率谱相减、维纳滤波法，并介绍了这几种语音增强方法的基本原理和实现方法。通过研究，我们得到在白噪声的条件下，这些语音增强方法具有很好的增强效果，可作为开发实用语音增强方法的基础。
2.1谱减法
假定语音为平稳信号，而噪声和语音为加性信号且彼此不相关。此时带噪语音信号可表示为
上式中，下标w表示加窗信号，*表示复共轭。可以根据观测数据估计，其余各项必须近似为统计均值。由于n(t)和s(t)独立，则互谱的统计均值为0。为了用傅立叶逆变换再现语音，还需要的相位，这里用表示。此时可借用带噪语音相位，即的相位来近似。因而则恢复的语音是估值的傅立叶反变换，如下所示：
2.2 语音增强——维纳滤波
设维纳滤波器的输入为含噪声的随机信号。期望输出与实际输出之间的差值为误差，对该误差求均方，即为均方误差。因此均方误差越小，噪声滤除效果就越好。为使均方误差最小，关键在于求冲激响应。如果能够满足维纳－霍夫方程，就可使维纳滤波器达到最佳。根据维纳－霍夫方程，最佳维纳滤波器的冲激响应，完全由输入自相关函数以及输入与期望输出的互相关函数 所决定。
这就是维纳滤波器（Wiener filter）。当信号x[n]和b[n]满足以上的假设条件时，维纳滤波的方法能够实现噪声抑制，并且不会引入很大的目标估计失真和背景残留噪声。所需要的功率谱和可以分别从时间序列x[n]与b[n]通过多帧平均得到。然而在实际中，目标信号和背景噪声都是非平稳的，也就是说，它们的功率谱会随着时间变化，即可以表示成时变函数和。因此，理想的情况是对每一帧信号的STFT采用不同的维纳滤波器进行滤波。在这里，我们考虑了平稳的背景噪声情况，时变的维纳滤波器可以表示成：
是对式做了压缩（开方）处理，所以谱减的一直效果不如维纳滤波方法。与谱减的另一个重要的区别是维纳滤波并不需要一个绝对的门限。由于噪声也是随机过程，因此这种估计只能建立在统计模型基础上。人耳感知对语音频谱分量的相位不敏感，因此目前的增强算法主要针对短时谱幅度。
3.MATLAB核心程序
overlap=FrameLen/2;
inc=FrameLen-overlap; %帧移
x_frame=enframe(x,FrameLen,inc); %分帧
nf=size(x_frame,1); % 帧数
win=hamming(FrameLen)';
x_window=[];
for k=1:nf
x_row=x_frame(k,:).*win; % 加窗
x_window=[x_window;x_row];
end
%对带噪语音进行DFT
y=fft(x_window');
ymag = abs(y);
yphase = angle(y);
NNoise=23; %取噪音段（语音的初始段）帧数
MN=mean(ymag(:,1:NNoise)')';
PN=mean(ymag(:,1:NNoise)'.^2)'; %初始噪声功率谱均值
NoiseCounter=0;%连续噪声段长度
SmoothFactor=9;%噪声平滑因子
Alpha=0.95; %语音平滑因子
SNRPre=ones(size(MN));
%维纳滤波
for k=1:nf
if k<=NNoise
SpeechFlag=0;
NoiseCounter=NNoise;
else
NoiseMargin=3;
HangOver=8;
SpectralDist= 20*(log10(ymag(:,k))-log10(MN));
SpectralDist(find(SpectralDist<0))=0;
Dist=mean(SpectralDist);
if (Dist < NoiseMargin)
NoiseFlag=1;
NoiseCounter=NoiseCounter+1;
else
NoiseFlag=0;
NoiseCounter=0;
end
if (NoiseCounter > HangOver)
SpeechFlag=0;
else
SpeechFlag=1;
end
end
if SpeechFlag==0
MN=(SmoothFactor*MN+ymag(:,k))/(SmoothFactor+1); %更新噪声均值
PN=(SmoothFactor*PN+(ymag(:,k).^2))/(1+SmoothFactor); %更新噪声功率
end