小波包技術在抑制窄帶干擾中的應用

　　混有單音頻噪聲的語音擴頻序列經(jīng)過解擴、解調處理后的誤碼率為3.92e-1，主觀上聆聽完全無法辨析語音內容。下面利用小波包分解技術去除單音頻噪聲，選取Shannon熵，依據(jù)原理公式(3)，(4)以及圖2所示的小波樹分解框圖，在Matlab仿真環(huán)境中用wpdencmp函數(shù)，采用“db43”小波包作4層分解，取全局域值5.035，應用軟判決準則，提取擴頻序列de.mat。由于小波樹能夠對高低頻段均進行頻帶劃分，因此能更有效地鎖定窄帶干擾分量。

　　將de.mat數(shù)據(jù)解擴、解調，其誤碼率為1.429e-4，提高了3個數(shù)量級，性能大大改善。將除噪后的數(shù)字音頻信號進行ADPCM解碼，得到的時域圖如7所示，再次進行聆聽，能夠較清晰地分辨語音內容，只存在極少數(shù)的背景噪音。如果還需進一步增強語音信息，可以采用信號特征提取等處理方法去除其他噪聲，本文不再詳述。

　　為了進一步突出小波包除噪效果，我們采用同樣具有時域局部化特點的短時傅里葉變換方法代入實驗程序，其除噪后的語音時域波形圖如圖8所示。

　　分別將圖7、圖8與語音原始信號的時域波形圖相比，圖8損失了較多的語音細節(jié)，從主觀聆聽效果來看，也沒有小波除噪后的還原效果好。短時傅里葉變換雖能描述某一局部時間段上的頻率信息，但由于整個過程只加了相同的窗函數(shù)，所以它不適應信號頻率高低變化的不同要求。

　　3 結 語

　　本文討論了基于小波包分析技術去除語音擴頻信號單音頻干擾的原理和應用。小波包變換的任意多尺度分解特性和良好的時、頻域局部化特性可被用于迅速跟蹤和確定信號分量的時、頻域位置，尤其適用于擴頻信號混有窄帶干擾的情況。仿真實驗結果證明利用小波包分析能夠獲得滿意除噪效果。