脉冲噪声下一种自适应ASR稳健滤波方法.docx

本文主要探讨了一种在脉冲噪声环境下提高自动语音识别(ASR)性能的自适应滤波方法——ASR滤波。针对传统高斯模型在处理脉冲噪声时的不足，文章引入了Alpha稳定分布来建模这种具有显著脉冲特性的噪声。Alpha稳定分布能够更好地描述噪声的拖尾效应，尤其是当特征指数α越小时，噪声的脉冲特性越强。然而，由于Alpha稳定分布缺乏统一的解析表达式，实际应用中存在局限性。 为了解决这个问题，文章提出了ASR滤波方法，它基于M估计理论，选用Approximate Symmetric alpha Stable (ASαS)分布作为脉冲噪声模型，构建了一个适用于脉冲噪声的稳健滤波代价函数簇。与Myriad滤波和Meridian滤波相比，ASR滤波的代价函数簇具有更广泛的适用范围，并可以通过代价函数的导数影响函数来评估滤波性能。在缺乏噪声先验信息的情况下，ASR滤波器通过阈值选择法实现线性度参数的自适应选择。 文章进一步将ASR滤波方法扩展到时频二维平面上，提出了AS-FT（ASR STFT）方法，以抑制线性调频(LFM)信号在强脉冲噪声环境下的噪声。LFM信号在声呐和雷达等领域有广泛应用，而AS-FT方法结合短时傅里叶变换和Hough变换，可以有效地完成LFM信号的参数检测和估计，即使在恶劣的噪声条件下也能保持良好的性能。 M估计原理是ASR滤波方法的基础，它是一种稳健估计理论，通过构造合适的代价函数来求解位置参数。代价函数F(e)与背景噪声的概率密度函数相关，通过最小化代价函数来估计参数。影响函数φ(e)描述了异常值对滤波输出的影响程度，用于评价稳健估计器的性能。ASR滤波方法的影响函数具有BB稳健性，即异常值对滤波结果的影响有限，并且具有一定的异常值剔除能力。 本文介绍的ASR滤波方法为处理脉冲噪声环境中的信号处理，特别是在ASR系统中，提供了一种有效的工具。通过对不同滤波器的比较和M估计理论的运用，ASR滤波展示了其在抑制脉冲噪声和提高信号质量方面的优势，尤其适用于非平稳信号如LFM信号的处理。