王寧，劉劍，劉蘇洋

(南京航空航天大學(xué)自動(dòng)化學(xué)院，江蘇南京 211106)

0 引言

隨著物質(zhì)生活水平的提高，人們對(duì)工作、生活環(huán)境的改善也日益重視。在強(qiáng)噪聲環(huán)境下，為實(shí)現(xiàn)有效的聽(tīng)力保護(hù)，工作人員可通過(guò)佩戴主動(dòng)降噪耳罩實(shí)現(xiàn)噪聲隔離，其中，耳罩本身的物理材料能夠有效地隔絕高頻噪聲，低頻噪聲則通過(guò)有源噪聲控制(Active Noise Control,ANC)技術(shù)抵消[1-3]。在此基礎(chǔ)上，采用基于廣義旁瓣抵消器(Generalized Sid‐elobe Canceller,GSC)的主動(dòng)隔聲耳罩語(yǔ)音增強(qiáng)算法[4]，能夠使得主動(dòng)降噪耳罩在抑制環(huán)境噪聲的同時(shí)，實(shí)現(xiàn)垂直角度入射聲源的語(yǔ)音增強(qiáng)，但對(duì)于聲源從其他角度入射的情況，文獻(xiàn)[4]并沒(méi)有提及。不同角度入射聲源的語(yǔ)音增強(qiáng)是佩戴者之間能夠正常交流的關(guān)鍵。麥克風(fēng)陣列間準(zhǔn)確的時(shí)延估計(jì)(Time Delay Estimation,TDE)是GSC 算法實(shí)現(xiàn)不同角度入射聲源語(yǔ)音增強(qiáng)的前提，同時(shí)也是基于到達(dá)時(shí)間差(Time Difference of Arrival,TDOA)聲源定位技術(shù)的前提[5]。

目前時(shí)延估計(jì)算法主要包括廣義互相關(guān)(Gener‐alized Cross Correlation,GCC)[6]方法、自適應(yīng)最小均方(Least Mean Square,LMS)[7]方法、基于子空間的特征值分解(Eigen Value Decomposition,EVD)[8]方法和基于傳遞函數(shù)比(Acoustical Transfer Functions ratio,ATF-s ratio)[9]的方法等。GCC方法運(yùn)用最為廣泛，在實(shí)際應(yīng)用中為了抑制噪聲對(duì)GCC 算法結(jié)果準(zhǔn)確性的影響，常采用不同的加權(quán)函數(shù)進(jìn)行時(shí)延估計(jì)[10-11]。

本文設(shè)定的環(huán)境噪聲是生活、工作等場(chǎng)景下的常見(jiàn)噪聲，在傳統(tǒng)的GCC 時(shí)延估計(jì)算法基礎(chǔ)上，將多窗譜估計(jì)的譜減法與GCC 法結(jié)合，進(jìn)一步提高了算法的抗噪能力和時(shí)延估計(jì)的準(zhǔn)確性，通過(guò)仿真驗(yàn)證了該方法的有效性。將時(shí)延估計(jì)算法加入到GSC主動(dòng)隔聲耳罩語(yǔ)音增強(qiáng)算法中以實(shí)現(xiàn)不同角度入射聲源的語(yǔ)音增強(qiáng)，對(duì)整體算法的噪聲抑制和語(yǔ)音增強(qiáng)效果進(jìn)行了仿真實(shí)驗(yàn)，驗(yàn)證了本文所提算法的有效性。

1 麥克風(fēng)陣列時(shí)延估計(jì)

1.1 麥克風(fēng)陣列時(shí)延模型

圖1 麥克風(fēng)陣列信號(hào)模型Fig.1 Signal model of a microphone array

以傳聲器M1和M2為例，接收到的語(yǔ)音信號(hào)模型為

其中：v1(n)和v2(n)為相互獨(dú)立的加性噪聲信號(hào)，聲源信號(hào)s(t)與vi(n)也相互獨(dú)立，τ1和τ2表示聲波到達(dá)傳聲器M1和M2的時(shí)間，α1和α2為聲波的衰減系數(shù)。τ12=τ1-τ2表示聲源信號(hào)到達(dá)傳聲器M1和M2間的時(shí)間延遲。

1.2 GCC算法

傳聲器接收到的語(yǔ)音信號(hào)x1(n)、x2(n)的互相關(guān)函數(shù)R12(τ)可以表示為

將式(1)中的信號(hào)模型代入式(2)，可得：

當(dāng)s(n)、v1(n)和v2(n)之間相互獨(dú)立時(shí)，式(3)可化簡(jiǎn)為

Rss(τ-τ12)表示聲源信號(hào)s(t)的自相關(guān)函數(shù)。根據(jù)互相關(guān)函數(shù)的性質(zhì)，當(dāng)τ=τ12時(shí)，R12(τ)取得最大值。兩傳聲器之間接收信號(hào)的到達(dá)時(shí)間差估計(jì)可以表示為

在實(shí)際應(yīng)用中噪聲的干擾會(huì)影響互相關(guān)函數(shù)峰值的準(zhǔn)確性，對(duì)此可先對(duì)觀測(cè)信號(hào)的頻譜進(jìn)行加權(quán)處理，在頻域中抑制噪聲的干擾，銳化聲源信號(hào)。

利用GCC法進(jìn)行時(shí)延估計(jì)的原理如圖2所示。

圖2 基于GCC法的時(shí)延估計(jì)原理示意圖Fig.2 Principle diagram of the time delay estimation based on GCC method

由互相關(guān)函數(shù)與互功率譜密度的關(guān)系，可得：

式中：G12(w)為傳聲器接收信號(hào)x1(n)和x2(n)的互功率譜。

對(duì)式(6)進(jìn)行頻域加權(quán)并反變換到時(shí)域，可得：

式中：ψ12(ω)為GCC 加權(quán)函數(shù)。在實(shí)際中，為使互相關(guān)函數(shù)R12(τ)有一個(gè)相對(duì)尖銳的峰值，需選擇合適的GCC 加權(quán)函數(shù)，常用的GCC 加權(quán)函數(shù)[14-16]如表1所示。

表1 常用的GCC加權(quán)函數(shù)Table 1 Commonly used GCC weighting functions

1.3 基于譜減法改進(jìn)的GCC算法

雖然通過(guò)GCC 法可以抑制噪聲對(duì)時(shí)延估計(jì)的影響，但通過(guò)仿真發(fā)現(xiàn)在信噪比低于0 dB 時(shí)到達(dá)時(shí)間差(Time Difference of Arrival,TDOA)估計(jì)的準(zhǔn)確率并不高?？紤]到本文算法針對(duì)的是正常生活、工作中的高噪聲場(chǎng)所，環(huán)境噪聲可以看成是變化緩慢的加性噪聲且與語(yǔ)音信號(hào)的相關(guān)性較弱。因此，可以利用無(wú)話(huà)段時(shí)的純?cè)肼?，以GCC法作為基礎(chǔ)，引入譜減法[17-19]進(jìn)行信號(hào)預(yù)處理，提高傳聲器接收信號(hào)的信噪比，從而實(shí)現(xiàn)算法改進(jìn)。

譜減法是利用語(yǔ)音信號(hào)的短時(shí)平穩(wěn)性，從帶噪語(yǔ)音的前導(dǎo)無(wú)話(huà)段估算出噪聲頻譜，然后用帶噪語(yǔ)音的頻譜減去噪聲頻譜，從而提高語(yǔ)音信號(hào)的信噪比。但是在傳統(tǒng)的譜減法中得到的噪聲功率譜與信號(hào)的真實(shí)功率譜之間存在著較大的方差，進(jìn)行譜減后會(huì)在信號(hào)的頻譜上出現(xiàn)隨機(jī)的尖峰，即“音樂(lè)噪聲”，文獻(xiàn)[20]的研究結(jié)果表明先驗(yàn)信噪比估計(jì)的較大方差是產(chǎn)生音樂(lè)噪聲的根本原因。因此功率譜估計(jì)的準(zhǔn)確性直接關(guān)系到譜減法降噪的效果，為降低“音樂(lè)噪聲”對(duì)音頻信號(hào)的影響，需要選擇一種估計(jì)更加準(zhǔn)確、方差較小的功率譜估計(jì)方法。文獻(xiàn)[21-22]中提出的多窗譜估計(jì)方法就具備以上的特點(diǎn)[21-22]。

多窗譜估計(jì)譜減法是一種改進(jìn)的譜減法，其用多個(gè)相互正交的數(shù)據(jù)窗分別對(duì)同一輸入信號(hào)求功率譜，然后取平均得到功率譜估計(jì)。多窗譜估計(jì)使用的數(shù)據(jù)窗是一組相互正交的離散橢球序列，相較于只使用一個(gè)數(shù)據(jù)窗的傳統(tǒng)功率譜估計(jì)其估計(jì)方差更低。由于多窗譜估計(jì)是一種更加準(zhǔn)確的譜估計(jì)方法，應(yīng)用于譜減法時(shí)降噪效果更好，而譜減法運(yùn)算簡(jiǎn)單、實(shí)時(shí)性好，并且本文算法針對(duì)的噪聲環(huán)境適合引入譜減法作為信號(hào)的預(yù)處理方法，因此選用多窗譜估計(jì)的譜減法對(duì)GCC算法進(jìn)行改進(jìn)。

多窗譜定義為

其中：

式中：x(n)為數(shù)據(jù)序列，n為序列長(zhǎng)度，L為數(shù)據(jù)窗個(gè)數(shù)，ak(n)為第k個(gè)數(shù)據(jù)窗，ak(n)滿(mǎn)足：

基于譜減法改進(jìn)的GCC時(shí)延估計(jì)原理圖如圖3所示。算法具體步驟如下：

圖3 基于譜減法改進(jìn)的GCC時(shí)延估計(jì)原理框圖Fig.3 Functional block diagram of the improved GCC delay estimation based on spectral subtraction

(1)對(duì)帶噪語(yǔ)音進(jìn)行分幀，幀間重疊率50%。對(duì)分幀后的信號(hào)進(jìn)行FFT 變換，分別求得幅度譜|y(ω)|和相位譜|θ(ω)|；

(2)對(duì)分幀后的信號(hào)進(jìn)行多窗譜估計(jì)，計(jì)算帶噪語(yǔ)音的平滑功率譜P(ω)。利用語(yǔ)音信息的前導(dǎo)無(wú)話(huà)段計(jì)算噪聲平均功率譜Pn(ω)；

(3)計(jì)算譜減增益因子g(ω)

式中：α為過(guò)減因子，β為增益補(bǔ)償因子。選擇合適的α可以有效去除由于估計(jì)方差產(chǎn)生的尖峰；

(5)進(jìn)行GCC處理，得到時(shí)延估計(jì)值。

2 基于GSC 的主動(dòng)隔聲耳罩語(yǔ)音增強(qiáng)算法

基于GSC 的主動(dòng)隔聲耳罩語(yǔ)音增強(qiáng)算法主要由ANC算法[23-24]和GSC語(yǔ)音增強(qiáng)算法[25-26]構(gòu)成。兩者通過(guò)ANC 算法中的次級(jí)通道在線辨識(shí)模塊耦合在一起，算法框圖如圖4所示。

圖4 基于GSC的主動(dòng)隔聲耳罩語(yǔ)音增強(qiáng)算法框圖Fig.4 Block diagram of GSC based speech enhancement algorithm for active noise insulation earmuff

經(jīng)過(guò)時(shí)延補(bǔ)償處理的麥克風(fēng)陣列信號(hào)輸入GSC語(yǔ)音增強(qiáng)算法中，得到增強(qiáng)后的語(yǔ)音信號(hào)。將信號(hào)v(n)與ANC 算法中的次級(jí)通道在線辨識(shí)模塊耦合在一起，最終通過(guò)ANC 算法輸出抑制耳罩內(nèi)低頻噪聲p(n)后的語(yǔ)音增強(qiáng)信號(hào)e(n)。

3 算法計(jì)算復(fù)雜度

在已證明算法正確性的前提下,算法的時(shí)間復(fù)雜度和空間復(fù)雜度是評(píng)價(jià)算法優(yōu)劣的關(guān)鍵指標(biāo)。由于半導(dǎo)體行業(yè)的飛速發(fā)展，算法的時(shí)間復(fù)雜度相對(duì)于空間復(fù)雜度在實(shí)際應(yīng)用中顯得更為重要。算法時(shí)間復(fù)雜度的本質(zhì)是算法的執(zhí)行時(shí)間，即算法中所有語(yǔ)句的頻度之和[27]。

本文的算法主要由基于譜減法改進(jìn)的GCC 算法、GSC 語(yǔ)音增強(qiáng)算法和ANC 算法構(gòu)成。其中GSC 算法和ANC 算法的執(zhí)行時(shí)間主要集中于自適應(yīng)濾波器系數(shù)的更新。自適應(yīng)濾波器的階數(shù)并不隨算法輸入的增加而增加，因此ANC算法和GSC算法的時(shí)間復(fù)雜度都為O(n)。在基于譜減法改進(jìn)的GCC 時(shí)延估計(jì)算法中多窗譜估計(jì)和求序列的最大值的算法運(yùn)行時(shí)間最長(zhǎng)。但在實(shí)際應(yīng)用中FFT的點(diǎn)數(shù)是一定的，因此算法的時(shí)間復(fù)雜度仍為O(n)。

此外，當(dāng)本文的算法應(yīng)用于實(shí)時(shí)系統(tǒng)時(shí)，可以在一個(gè)大循環(huán)中隨采樣時(shí)刻按順序?qū)σ陨先N算法進(jìn)行調(diào)用。因此整體算法的時(shí)間復(fù)雜度為各算法時(shí)間復(fù)雜度的線性疊加，即時(shí)間復(fù)雜度為O(n)。

4 仿真結(jié)果與分析

為了驗(yàn)證本文算法在不同噪聲環(huán)境下的時(shí)延估計(jì)性能和入射聲源的語(yǔ)音增強(qiáng)效果，分別對(duì)時(shí)延估計(jì)算法和改進(jìn)的GSC 主動(dòng)隔音耳罩語(yǔ)音增強(qiáng)算法進(jìn)行了仿真實(shí)驗(yàn)。算法中由4個(gè)模擬傳聲器組成均勻線性陣列，陣元間距為0.05 m。目標(biāo)語(yǔ)音信號(hào)來(lái)自MUSAN語(yǔ)音庫(kù)。MUSAN數(shù)據(jù)庫(kù)是得到美國(guó)國(guó)家科學(xué)基金會(huì)研究生研究獎(jiǎng)學(xué)金支持的包含音樂(lè)、語(yǔ)音和噪聲記錄的語(yǔ)料庫(kù)，采樣頻率為16 kHz。設(shè)定聲速為340 m·s-1，聲源處于遠(yuǎn)場(chǎng)中，環(huán)境噪聲選用Noise-92 庫(kù)中的粉色噪聲(pink)、工廠車(chē)間噪聲(factory1、factory2)、汽車(chē)車(chē)內(nèi)噪聲(car volvo)。Noise-92 噪聲數(shù)據(jù)庫(kù)是由英國(guó)荷蘭Perception-TNO研究所的語(yǔ)音研究單位在現(xiàn)場(chǎng)測(cè)量的不同噪聲數(shù)據(jù)。

4.1 時(shí)延估計(jì)算法的仿真與分析

對(duì)基于譜減法改進(jìn)的GCC 算法進(jìn)行Matlab 仿真，從MUSAN 語(yǔ)音庫(kù)中選取10組時(shí)長(zhǎng)為3 s的目標(biāo)語(yǔ)音信號(hào)，信噪比分別設(shè)置為10、5、0、-5、-10 dB。每次仿真選取有話(huà)段的3幀數(shù)據(jù)用于時(shí)延估計(jì)，幀長(zhǎng)N=1 024個(gè)采樣點(diǎn)，幀移為50%，計(jì)算譜減增益時(shí)α=3.8，β=0.001。麥克風(fēng)陣列模型如圖1所示，進(jìn)行時(shí)延估計(jì)時(shí)分別設(shè)置聲源入射角θ為0°、64.85°、-64.85°。在三種聲源入射角度下，如果算法估計(jì)的傳聲器M1和傳聲器M2、M3、M4之間的延遲采樣點(diǎn)與實(shí)際延遲采樣點(diǎn)有一個(gè)不符合時(shí)，則此次時(shí)延估計(jì)是異常的。圖5 為factory2 噪聲環(huán)境下不同GCC加權(quán)函數(shù)的時(shí)延估計(jì)異常率。

圖5 在factory2 噪聲環(huán)境中不同GCC 加權(quán)函數(shù)的時(shí)延估計(jì)異常率Fig.5 Abnormal rates of time delay estimation of different GCC weight functions in the factory2 noise environment

通過(guò)仿真結(jié)果可以看出，在factory2噪聲環(huán)境下時(shí)延估計(jì)的準(zhǔn)確率隨信噪比的下降而下降。其中，λ=0.1的MCSP加權(quán)函數(shù)的算法性能要優(yōu)于其余4 種加權(quán)函數(shù)。并且factory1、car volvo 和pink噪聲環(huán)境下MCSP加權(quán)算法的性能也是最優(yōu)的。

此外，當(dāng)用于時(shí)延估計(jì)的2 048個(gè)采樣點(diǎn)信噪比大于-4 dB時(shí)，factory1與pink噪聲環(huán)境下時(shí)延估計(jì)的準(zhǔn)確率達(dá)到80%以上，當(dāng)信噪比低于-4 dB時(shí)，其時(shí)延估計(jì)準(zhǔn)確率急劇下降。類(lèi)似地，用于時(shí)延估計(jì)采樣點(diǎn)的信噪比分別高于-8 dB 和-15 dB時(shí)，factory2 和car volvo 噪聲環(huán)境下的時(shí)延估計(jì)的準(zhǔn)確率達(dá)到80%以上。

4.2 入射聲源的語(yǔ)音增強(qiáng)仿真與分析

為了驗(yàn)證加入時(shí)延補(bǔ)償后整體算法的噪聲抑制和語(yǔ)音增強(qiáng)效果，對(duì)改進(jìn)的GSC 主動(dòng)隔聲耳罩語(yǔ)音增強(qiáng)算法進(jìn)行了仿真實(shí)驗(yàn)，仿真中預(yù)置參數(shù)設(shè)置如表2所示。

表2 仿真預(yù)置參數(shù)Table 2 Preset parameters of the simulation

從MUSAN語(yǔ)音庫(kù)中選取一段長(zhǎng)為4.5 s的語(yǔ)音作為目標(biāo)聲源信號(hào)，內(nèi)容為：“手表等穿戴設(shè)備也具備支付指紋識(shí)別的功能”。選用相同的噪聲環(huán)境，聲源入射角θ為64.85°，信噪比為-10 dB。根據(jù)時(shí)延估計(jì)算法的性能，在仿真中選取語(yǔ)音信號(hào)能量較高的語(yǔ)音段用于時(shí)延估計(jì)，以確保時(shí)延估計(jì)準(zhǔn)確。帶噪語(yǔ)音信號(hào)經(jīng)算法處理后信噪比變化如表3所示。從表3中可以看出，加入時(shí)延補(bǔ)償算法后，帶噪語(yǔ)音信號(hào)經(jīng)過(guò)GSC 算法能夠在不同噪聲環(huán)境下提高信噪比10 dB左右。

表3 含噪語(yǔ)音處理后信噪比Table 3 Signal to noise ratio after noisy speech processing

圖6是不同環(huán)境噪聲下加入時(shí)延補(bǔ)償算法和未加時(shí)延補(bǔ)償算法的輸出信號(hào)波形圖。如果僅使用耳罩的被動(dòng)降噪抑制環(huán)境噪聲，將GSC 算法輸出的語(yǔ)音信號(hào)經(jīng)過(guò)次級(jí)通道直接輸入耳罩內(nèi)，由于外界低頻噪聲的引入使得耳罩內(nèi)信號(hào)的信噪比相較于GSC輸出信號(hào)下降6～10 dB左右，此時(shí)耳罩內(nèi)信號(hào)的波形圖對(duì)應(yīng)于圖中加入時(shí)延補(bǔ)償無(wú)ANC 時(shí)算法輸出信號(hào)。根據(jù)表3和加入時(shí)延補(bǔ)償后算法最終輸出信號(hào)的波形圖可以看出，將GSC和ANC算法結(jié)合可以在增強(qiáng)語(yǔ)音的同時(shí)有效抑制外界環(huán)境傳入耳罩內(nèi)的低頻噪聲，與僅使用耳罩被動(dòng)降噪的輸出信號(hào)相比，信噪比提高了3～7 dB。

圖6 不同噪聲環(huán)境下算法輸出信號(hào)Fig.6 Algorithm output signals under different noise environments

此外，由未加時(shí)延補(bǔ)償?shù)乃惴ㄝ敵霾ㄐ慰芍?，在?chē)內(nèi)噪聲環(huán)境下，有無(wú)時(shí)延補(bǔ)償算法對(duì)輸出的語(yǔ)音信號(hào)質(zhì)量影響不大。但是，在工廠噪聲和粉紅噪聲環(huán)境下，如果沒(méi)有相應(yīng)的時(shí)延補(bǔ)償，GSC算法和ANC算法的輸出會(huì)同時(shí)抑制語(yǔ)音信息與噪聲信息，雖然輸出信號(hào)的信噪比是提高的，但其攜帶的語(yǔ)音信息非常少。

為了對(duì)算法最終輸出的語(yǔ)音質(zhì)量進(jìn)行評(píng)價(jià)，將相應(yīng)的輸出信號(hào)轉(zhuǎn)換為音頻信息，采用可懂度[29]及語(yǔ)音質(zhì)量感知評(píng)估(Perceptual Evaluation of Speech Quality,PESQ)[30]得分分別對(duì)其進(jìn)行主觀和客觀評(píng)價(jià)。

可懂度評(píng)測(cè)中由20 位未聽(tīng)過(guò)原始語(yǔ)音的測(cè)試人員分別用人耳收聽(tīng)播放的音頻信息，音頻信息分別是耳罩外信號(hào)、外界聲音經(jīng)過(guò)耳罩被動(dòng)降噪傳入耳罩內(nèi)的信號(hào)和耳罩內(nèi)分別經(jīng)過(guò)改進(jìn)的和未改進(jìn)的語(yǔ)音增強(qiáng)算法處理后的信號(hào)。將測(cè)試人員復(fù)述內(nèi)容的正確字?jǐn)?shù)與實(shí)際字?jǐn)?shù)的百分比作為可懂度數(shù)值。不同噪聲環(huán)境下測(cè)試人員的平均可懂度數(shù)據(jù)結(jié)果如表4所示。

表4 不同噪聲環(huán)境下可懂度主觀測(cè)試結(jié)果Table 4 Intelligibility subjective test results under different noise environments

從表4中可以看出，由于耳罩的被動(dòng)降噪特性相當(dāng)于一個(gè)低通濾波器，抑制了聲音信號(hào)的高頻分量，使得傳入耳罩內(nèi)的信號(hào)聽(tīng)不到有效信息。加入時(shí)延補(bǔ)償后外界信號(hào)經(jīng)過(guò)算法處理最終得到的語(yǔ)音輸出能夠保留所有的有效信息，時(shí)延補(bǔ)償對(duì)car volvo 噪聲環(huán)境下輸出的信號(hào)可懂度影響較小，而對(duì)其余三種噪聲環(huán)境下輸出信號(hào)的可懂度影響較大，尤其是在factory1和pink噪聲環(huán)境下，如果沒(méi)有時(shí)延補(bǔ)償，耳罩內(nèi)算法輸出的信號(hào)聽(tīng)不到任何有效信息。

在客觀評(píng)價(jià)中，PESQ的感知模型用于計(jì)算經(jīng)過(guò)系統(tǒng)處理后的信號(hào)與期望信號(hào)的距離，其輸出是對(duì)受試者在主觀聽(tīng)力測(cè)評(píng)中給予的感知質(zhì)量的預(yù)測(cè)。模型得到的PESQ 取值在-0.5～4.5 之間，得分越高表示語(yǔ)音質(zhì)量越好。在不同的噪聲環(huán)境下，用于可懂度評(píng)價(jià)中的不同音頻信號(hào)的PESQ得分如圖7所示。由圖7 可知，帶噪語(yǔ)音信號(hào)經(jīng)過(guò)改進(jìn)的算法處理后具有最高的PESQ得分，與耳罩內(nèi)的信號(hào)質(zhì)量相比有2～3分的提高，與改進(jìn)前算法輸出信號(hào)的質(zhì)量相比有0.2～2.5 分的提高。其中factory1 和pink噪聲環(huán)境下的語(yǔ)音質(zhì)量提升達(dá)2分以上。

5 結(jié)論

本文通過(guò)仿真分析了基于譜減法改進(jìn)的GCC時(shí)延估計(jì)算法的性能以及加入時(shí)延補(bǔ)償后的GSC主動(dòng)隔聲耳罩語(yǔ)音增強(qiáng)算法的噪聲抑制和語(yǔ)音增強(qiáng)效果。文中通過(guò)比較不同加權(quán)函數(shù)在不同噪聲環(huán)境下的時(shí)延估計(jì)異常率，確定了λ=0.1的MCSP加權(quán)函數(shù)在本文的時(shí)延估計(jì)算法中具有更好地抗噪性和普適性。此外，仿真結(jié)果表明，將ANC 算法與GSC語(yǔ)音增強(qiáng)算法結(jié)合，可以在有效增強(qiáng)語(yǔ)音的同時(shí)抑制外界傳入耳罩內(nèi)的低頻噪聲，并且加入時(shí)延補(bǔ)償算法后，經(jīng)過(guò)改進(jìn)的算法在factor 噪聲和pink噪聲環(huán)境下輸出的語(yǔ)音信號(hào)質(zhì)量相比于改進(jìn)前的算法有明顯提升。本文中的方法對(duì)高噪聲場(chǎng)所中實(shí)現(xiàn)聽(tīng)力保護(hù)和不同角度入射聲源的語(yǔ)音增強(qiáng)具有指導(dǎo)意義。