本发明公开了一种消除毫米波生物雷达语音中噪声的方法。本发明是通过对获取的毫米雷达语音信号经经验模态分解后，对本征模态函数中噪声含量进行分析的基础上，根据本征模态函数中噪声分布的特点，采用自适应阈值对高频、中频、低频部分进行去噪，从而能够根据噪声含量的多少有针对性的消除语音中的噪声含量，具有较强的适应性和有效性，特别的能够很好的保留语音的细节信息，有助于在雷达语音质量的显著提高。采用该方法的实例表明这种具有针对性的经验模态分解方法能够有效消除毫米波雷达语音中的噪声含量，与传统的语音增强方法相比，具有较强的适应性，且能够在消除雷达语音中噪声含量的基础上显著提高语音的可懂度。
1.一种消除毫米波生物雷达语音中噪声的方法，其特征在于，包括以下步骤：
1)对生物雷达语音进行采样，得到原始带噪雷达语音信号；
2)对采集的原始带噪雷达语音信号进行经验模态分解为本征模态函数IMF；
3)对经验模态分解后的本征模态函数进行噪声含量分析；
4)根据雷达语音噪声分布特点，利用互信息熵进行噪声分量个数的选择，以区分高频和中频分界点，利用设定阈值区分中频和低频分界点；
5)将经自适应去噪后的本征模态函数进行重构得到增强后的雷达语音；
假设给定语音信号为x(t)，经验模态分解方法通过筛分过程自适应的将该原始信号分解为本征模态函数，并且每个本征模态函数IMF都是原始信号的一个子频率成分，其具体的筛分过程如下：
2.2)通过三次样本插值分别拟合极大值和极小值点，分别得到极大值包络eu(t)和极小值包络ed(t)；
2.3)计算极大值包络和极小值包络的均值m1(t)＝(eu(t)+ed(t))/2，并且用原始信号减去该均值可得h1(t)＝x(t)-m1(t)；
2.4)判断h1(t)是否满足本征模态函数IMF的两个筛选基本条件：(a)在所有的信号长度内，每个本征模态函数IMF的过零点数必须与极值点数目相同，或者两者数目相差不大于1；
(b)在任意采样点处，极大值包络和极小值包络的均值为零，即满足IMF关于时间轴是几何对称的；
此时，如果h1(t)满足本征模态函数IMF的(a)和(b)两个基本条件，则IMF1(t)＝h1(t)；
2.5)如果h1(t)不满足IMF的两个基本条件，则使h1(t)作为新的原始信号重复步骤
2.1)、2.2)、2.3)得到h2(t)＝h1(t)-m2(t)；如果h2(t)满足IMF基本筛分条件则IMF1(t)＝h2(t)，此时如果h2(t)不满足IMF筛分条件则执行停止筛分阈值，该停止准则如下式：停止筛分阈值SD取值范围应满足在0.2和0.3之间；
如果h2(t)满足停止准则，则IMF1(t)＝h2(t)；
如果h2(t)不满足，那么将h2(t)重复步骤2.1)–2.4)，继续下分得hi(t)，直到hi(t)满足两个基本条件或者满足停止准则，则IMF1(t)＝hi(t)；
2.6)当获取到IMF1(t)后，将其从原始信号中除去得到残差信号r1(t):r1(t)＝x(t)-IMF1(t)，将残差信号作为一个新的原始信号，重复步骤2.1)-2.5)，直至得到下一个残差信号，那么分解到最后，则残差信号用下式表示：rn(t)＝rn-1(t)-IMFn(t)；
此时，rn(t)是个单调序列，筛分完成后，原始信号被分解为多个本征模态函数IMF1(t)、IMF2(t)…IMFn(t)和残差序列rn(t)；n为正整数；因此，原始信号可表示为：
2.根据权利要求1所述的一种消除毫米波生物雷达语音中噪声的方法，其特征在于：将原始雷达语音信号经经验模态分解，分解为高频部分、中频部分、低频部分，噪声集中于高频部分，中频部分为有用的原始语音信号，低频为语音信号的细节信息。
3.根据权利要求1所述的一种消除毫米波生物雷达语音中噪声的方法，其特征在于：步骤4)中，生物雷达语音本征模态函数计算互信息熵方法如下：两个变量X和Y的互信息熵可按照下式计算:
其中，p(x,y)是变量X和Y的联合分布，p(x)和p(y)分别是边际分布，或者互信息熵用熵的形式表示为下式:I(X；Y)＝H(X)-H(X|Y) (4)其中：
H(X)是变量X固有的熵值，H(X|Y)是变量Y发生的前提下，变量X的熵值。
4.根据权利要求3所述的一种消除毫米波生物雷达语音中噪声的方法，其特征在于：步骤4)中，高频、中频分界点，中频、低频分界点根据以下步骤确定：计算相邻IMF间的互信息熵值，根据互信息熵理论，相邻互信息熵将会有如下的规律：先减小后增大，然后在增大：
根据式(7)选择信息熵值最小值时IMF作为区分高频和中频的分界点，而区分中频和低频的分界点通过对雷达语音信号进行经验模态分解后，根据各本征模态函数中噪声分布情况最终确定固定阈值FT为10-1；如果IMFs的最大值的幅度小于阈值FT，那么IMFs即为低频部分。
5.据权利要求1所述的一种消除毫米波生物雷达语音中噪声的方法，其特征在于：步骤
5)中，对含有噪声的本征模态函数经自适应阈值去噪，是利用经验模态分解方法对雷达语音去噪，其中自适应阈值的函数为：其中，N是信号的长度，σ是各阶IMF估计的噪声方差:对高频部分采用公式(8)的阈值函数，对中频部分采用的收缩阈值为：软阈值方法用于消除高频和中频部分的噪声信号:
其中，sign是符号函数，i代表第i阶本征模态函数。
6.据权利要求5所述的一种消除毫米波生物雷达语音中噪声的方法，其特征在于：步骤
5)中，用剩余的低频分量和经阈值去噪后的高频和中频分量对语音信号进行重构，重构信号用下式表示:其中，k是确定的高频分量个数，l是确定的区分高频与中频的本征模态分量数，n是经验模态分界后的本征模态个数。
一种消除毫米波生物雷达语音中噪声的方法
【技术领域】
[0001] 本发明涉及雷达语音信号处理领域，尤其涉及一种消除毫米波生物雷达语音中噪声的方法。【背景技术】
[0002] 作为一项具有非接触、远距离、抗声学噪声干扰能力强的语音探测方法，生物雷达语音探测技术突破了麦克风易受声学噪声干扰以及其他需要与人体皮肤接触的语音探测装置的局限性，逐渐在语音探测领域得到了应用和发展。目前，虽然毫米波生物雷达能够有效获取20米外的人体语音信号，然而获取的语音信号往往被电磁谐波噪声、电路噪声以及环境噪声等所干扰，这些噪声的存在在一定程度上降低了雷达语音的质量，甚至影响了语音的可懂度，因此，如何行之有效的消除雷达语音中的噪声含量对毫米波生物雷达技术在语音探测领域中的进一步应用具有重要意义。【发明内容】
[0003] 本发明的目的在于：提供一种消除毫米波生物雷达中噪声的方法，该方法根据经经验模态分解后雷达语音噪声分布特点，在不造成语音信号失真以及过度损伤的前提下，有效去除雷达语音中的噪声含量。为生物雷达语音探测技术的发展提供了语音去噪方面的技术支持。
[0004] 为有效实现上述目的，本发明采用的技术方案是：
[0005] 一种消除毫米波生物雷达语音中噪声的方法，包括以下步骤：
[0006] 1)对生物雷达语音进行采样，得到原始带噪雷达语音信号；
[0007] 2)对采集的原始带噪雷达语音信号进行经验模态分解为本征模态函数IMF；
[0008] 3)对经验模态分解后的本征模态函数进行噪声含量分析；
[0009] 4)根据雷达语音噪声分布特点，利用互信息熵进行噪声分量个数的选择，以区分高频和中频分界点，利用设定阈值区分中频和低频分界点；
[0010] 5)将经自适应去噪后的本征模态函数进行重构得到增强后的雷达语音。
[0011] 作为本发明的进一步改进，步骤2)具体包括以下步骤：
[0012] 假设给定语音信号为x(t)，经验模态分解方法通过筛分过程自适应的将该原始信号分解为本征模态函数，并且每个本征模态函数IMF都是原始信号的一个子频率成分，其具体的筛分过程如下：
[0013] 2.1)找出信号x(t)所有的极大值和极小值点；
[0014] 2.2)通过三次样本插值分别拟合极大值和极小值点，分别得到极大值包络eu(t)和极小值包络ed(t)；
[0015] 2.3)计算极大值包络和极小值包络的均值m1(t)＝(eu(t)+ed(t))/2，并且用原始信号减去该均值可得h1(t)＝x(t)-m1(t)；
[0016] 2.4)判断h1(t)是否满足本征模态函数IMF的两个筛选基本条件：
[0017] (a)在所有的信号长度内，每个本征模态函数IMF的过零点数必须与极值点数目相同，或者两者数目相差不大于1；
[0018] (b)在任意采样点处，极大值包络和极小值包络的均值为零，即满足IMF关于时间轴是几何对称的；
[0019] 此时，如果h1(t)满足本征模态函数IMF的(a)和(b)两个基本条件，则IMF1(t)＝h1(t)；
[0020] 2.5)如果h1(t)不满足IMF的两个基本条件，则使h1(t)作为新的原始信号重复步骤2.1)、2.2)、2.3)得到h2(t)＝h1(t)-m2(t)；如果h2(t)满足IMF基本筛分条件则IMF1(t)＝h2(t)，此时如果h2(t)不满足IMF筛分条件则执行停止筛分阈值，该停止准则如下式：
[0021]
[0022] 停止筛分阈值SD取值范围应满足在0.2和0.3之间；
[0023] 如果h2(t)满足停止准则，则IMF1(t)＝h2(t)；
[0024] 如果h2(t)不满足，那么将h2(t)重复步骤2.1)–2.4)，继续下分得hi(t)，直到hi(t)满足两个基本条件或者满足停止准则，则IMF1(t)＝hi(t)；
[0025] 2.6)当获取到IMF1(t)后，将其从原始信号中除去得到残差信号r1(t):r1(t)＝x(t)-IMF1(t)，将残差信号作为一个新的原始信号，重复步骤2.1)-2.5)，直至得到下一个残差信号，那么分解到最后，则残差信号用下式表示：rn(t)＝rn-1(t)-IMFn(t)；
[0026] 此时，rn(t)是个单调序列，筛分完成后，原始信号被分解为多个本征模态函数IMF1(t)、IMF2(t)…IMFn(t)和残差序列rn(t)；n为正整数；因此，原始信号可表示为：
[0027]
[0028] 作为本发明的进一步改进，将原始雷达语音信号经经验模态分解，分解为高频部分、中频部分、低频部分，噪声集中于高频部分，中频部分为有用的原始语音信号，低频为语音信号的细节信息。
[0029] 作为本发明的进一步改进，步骤4)中，生物雷达语音本征模态函数计算互信息熵方法如下：
[0030] 两个变量X和Y的互信息熵可按照下式计算:
[0031]
[0032] 其中，p(x,y)是变量X和Y的联合分布，p(x)和p(y)分别是边际分布，或者互信息熵用熵的形式表示为下式:
[0033] I(X；Y)＝H(X)-H(X|Y) (4)
[0034] 其中：
[0035]
[0036]
[0037] H(X)是变量X固有的熵值，H(X|Y)是变量Y发生的前提下，变量X的熵值。
[0038] 作为本发明的进一步改进，步骤4)中，高频、中频分界点，中频、低频分界点根据以下步骤确定：
[0039] 计算相邻IMF间的互信息熵值，根据互信息熵理论，相邻互信息熵将会有如下的规律：先减小后增大，然后在增大：
[0040]
[0041] 根据式(7)选择信息熵值最小值时IMF作为区分高频和中频的分界点，而区分中频和低频的分界点通过对雷达语音信号进行经验模态分解后，根据各本征模态函数中噪声分布情况最终确定固定阈值FT为10-1；如果IMFs的最大值的幅度小于阈值FT，那么IMFs即为低频部分。
[0042] 作为本发明的进一步改进，步骤5)中，对含有噪声的本征模态函数经自适应阈值去噪，是利用经验模态分解方法对雷达语音去噪，其中自适应阈值的函数为：
[0043]
[0044] 其中，N是信号的长度,σ是各阶IMF估计的噪声方差:
[0045]
[0046] 对高频部分采用公式(8)的阈值函数，对中频部分采用的收缩阈值为：
[0047]
[0048] 软阈值方法用于消除高频和中频部分的噪声信号:
[0049]
[0050] 其中，sign是符号函数，i代表第i阶本征模态函数。
[0051] 作为本发明的进一步改进，步骤5)中，用剩余的低频分量和经阈值去噪后的高频和中频分量对语音信号进行重构，重构信号用下式表示:
[0052]
[0053] 其中，k是确定的高频分量个数，l是确定的区分高频与中频的本征模态分量数，n是经验模态分界后的本征模态个数。
[0054] 本发明由于采用上述技术，使之与现有雷达语音增强技术相比具有的积极效果是：
[0055] 本发明是通过对获取的毫米雷达语音信号经经验模态分解后，对本征模态函数中噪声含量进行分析的基础上，根据本征模态函数中噪声分布的特点，采用自适应阈值对高频、中频、低频部分进行去噪，从而能够根据噪声含量的多少有针对性的消除语音中的噪声含量，具有较强的适应性和有效性，特别的能够很好的保留语音的细节信息，有助于在雷达语音质量的显著提高。采用该方法的实例表明这种具有针对性的经验模态分解方法能够有效消除毫米波雷达语音中的噪声含量，与传统的语音增强方法相比，具有较强的适应性，且能够在消除雷达语音中噪声含量的基础上显著提高语音的可懂度。在不造成雷达语音信号失真的前提下，雷达语音中噪声被有效去除。本发明能够为以后利用生物雷达探测人体语音方面提供有效的技术支持。因此，本发明在消除雷达语音噪声方面具有较强的使用价值和应用前景。
[0056] 进一步，对分解的本征模态函数划分为高频、中频和低频三部分，通过观察本征模态函数中噪声分布情况，将雷达语音中噪声分布特点为：噪声主要集中于高频部分，中频部分主要为有用的原始语音信号，但是仍然含有少量噪声信号，低频部分主要为语音信号细节信号。在此基础上通过互信息熵对高频和中频分量个数进行了选择，其中，高频部分含有-1大量噪声，设置较高的阈值。而区分中频和低频的分界点根据实验找出固定阈值10 。如果IMFs的最大值的幅度小于阈值FT,那么这些IMFs即为低频部分。对于中频部分设置较高频部分较小的自适应阈值，低频部分不做去噪处理。
【附图说明】
[0057] 图1为一种消除毫米波生物雷达语音中噪声的方法流程图；
[0058] 图2是一段经经验模态分解后的雷达语音材料，其中(a)是含有噪声的原始雷达语音信号；(b)是经验模态分解后的各阶本征模态函数；
[0059] 图3是雷达系统采集的原始雷达语音信号，其中，(a)是毫米波雷达语音信号的时域波形；(b)是毫米波雷达语音信号的语谱图；
[0060] 图4是传统算法谱减法进行消噪后的语音信号，其中，(a)是毫米波雷达语音信号的时域波形；(b)是毫米波雷达语音信号的语谱图；
[0061] 图5是本专利所述的经验模态分解和互信息熵算法消除噪声后的雷达语音信号，其中，(a)是毫米波雷达语音信号的时域波形；(b)是毫米波雷达语音信号的语谱图。【具体实施方式】
[0062] 下面结合附图，对本发明的具体实施方式进行详细阐述，但本发明不限于该实施例。为了使公众对本发明有彻底的了解，在以下本发明优选施例中详细说明具体的细节。
[0063] 参见图1，本发明消除毫米波生物雷达语音中噪声的方法的基本原理为：首先对原始雷达语音信号进行经验模态分解；对经经验模态分解后的本征模态函数中噪声分布进行划分；利用互信息熵对高频部分和中频部分的分界点进行划分，对各阶本征模态函数进行自适应阈值去噪；对处理后的雷达语音信号进行重构。
[0064] 本发明的一种消除毫米波生物雷达语音中噪声的方法，其具体步骤如下：
[0065] 首先，对生物雷达语音进行采样，得到原始带噪雷达语音信号；
[0066] 其次，对采集的原始雷达语音信号进行经验模态分解；
[0067] 对所说的带噪毫米波雷达语音信号进行经验模态分解步骤如下：
[0068] 假设给定语音信号为x(t)，经验模态分解方法通过“筛选”过程自适应的将该原始信号分解为本征模态函数(IMFs)，并且每个IMF都是原始信号的一个子频率成分。其具体的筛分过程如下：
[0069] 1)找出信号x(t)所有的极大值和极小值点。
[0070] 2)通过三次样本插值分别拟合极大值和极小值点，分别得到极大值包络eu(t)和极小值包络ed(t)。
[0071] 3)计算极大值包络和极小值包络的均值m1(t)＝(eu(t)+ed(t))/2，并且用原始信号减去该均值可得h1(t)＝x(t)-m1(t).
[0072] 4)判断h1(t)是否满足IMF的两个筛选基本条件：
[0073] (a)在所有的信号长度内，每个IMF的过零点数必须与极值点数目相同，或者至多相差一个。
[0074] (b)在任意采样点处，极大值包络和极小值包络的均值必须为零，也就是说IMF是关于时间轴是几何对称的。
[0075] 此时，如果h1(t)满足IMF的两个基本条件，则IMF1(t)＝h1(t)
[0076] 5)如果h1(t)不满足IMF的两个基本条件，则h1(t)作为新的原始信号重复步骤1)，2)，3)得到h2(t)＝h1(t)-m2(t),如果h2(t)满足IMF基本筛分条件则IMF1(t)＝h2(t)。此时如果h2(t)不满足IMF筛分条件则一个新的停止筛分阈值被执行。该停止准则如下式：
[0077]
[0078] 一般情况下，SD取值范围在0.2和0.3之间。如果h2(t)满足停止准则，则IMF1(t)＝h2(t)。如果h2(t)不满足,那么将h2(t)重复步骤1)–4)，继续下分得hi(t)，直到hi(t)满足两个停止条件或者满足停止准则。则IMF1(t)＝hi(t)。
[0079] 6)当获取到IMF1(t)后，将其从原始信号中除去得到残差信号r1(t):r1(t)＝x(t)-IMF1(t).此时，残差信号作为一个新的原始信号，重复步骤1-5，直至得到下一个残差信号。那么分解到最后，则残差信号可以用下式表示：rn(t)＝rn-1(t)-IMFn(t)。
[0080] 此时，rn(t)是个单调序列，筛分完成后，原始信号被分解为多个本征模态函数IMF1(t),IMF2(t),…IMFn(t)和残差序列rn(t).因此，原始信号可表示为：
[0081]
[0082] 将原始雷达语音信号经经验模态分解为本征模态函数。图2是一段经经验模态分解后的雷达语音材料。图2(a)是含有噪声的原始雷达语音信号。图2(b)是经验模态分解后的各阶本征模态函数，由上到下，该本征模态函数的频率是逐渐降低的。由于雷达语音主要的噪声源是高斯白噪声，因此，一般来说，噪声会分布于整个本征模态函数内，从图(b)中可以看出，前三阶本征模态函数中基本看不到语音信号波形，主要为噪声信号，而从第4-9阶本征模态开始，主要是语音信号波形，并存在部分噪声信号。从第10阶到最后一阶，本征模态函数的频率低且幅度很小，然而其中包含一些语音的细节信息，因此，我们可以作这样的假设：将原始雷达语音信号经经验模态分解，可以分解为高频部分，中频部分，低频部分，噪声主要集中于高频部分，中频部分主要为有用的原始语音信号，低频为语音信号的细节信息。
[0083] 再次，对经验模态分解后的本征模态函数进行噪声含量分析。
[0084] 然后，根据雷达语音噪声分布特点，利用互信息熵进行噪声分量个数的选择，以区分高频和中频分界点，利用设定阈值区分中频和低频分界点。
[0085] 生物雷达语音本征模态函数计算互信息熵方法如下：
[0086] 互信息熵一般情况下都是非负数，两个变量X和Y的互信息熵可按照下式计算:
[0087]
[0088] 其中，p(x,y)是变量X和Y的联合分布，p(x)和p(y)分别是边际分布。或者互信息熵用熵的形式表示为下式:
[0089] I(X；Y)＝H(X)-H(X|Y) (4)
[0090] 其中：
[0091]
[0092]
[0093] H(X)是变量X固有的熵值，H(X|Y)是变量Y发生的前提下，变量X的熵值。
[0094] 当事件X越不确定,熵值越大.一般来说，两个变量间的相关性越强，则变量间的互信息熵值越大。根据以上特点，计算相邻IMF间的互信息熵值，根据互信息熵理论，相邻互信息熵将会有如下的规律：先减小后增大，然后在增大：
[0095]
[0096] 根据式(7)选择信息熵值最小值时IMF作为区分高频和中频的分界点，而区分中频和低频的分界点通过对雷达语音信号进行经验模态分解后，根据各本征模态函数中噪声分布情况最终确定固定阈值(FT)为10-1；如果IMFs的最大值的幅度小于阈值FT，那么IMFs即为低频部分。
[0097] 最后，将经自适应去噪后的本征模态函数进行重构得到增强后的雷达语音。
[0098] 对含有噪声的本征模态函数经自适应阈值去噪，其步骤如下：
[0099] 利用经验模态分解方法对雷达语音去噪中，阈值的选取起着至关重要的作用。通常阈值的一般函数由:
[0100]
[0101] 此处，N是信号的长度,σ是各阶IMF估计的噪声方差:
[0102]
[0103] 在本文中，对高频部分采用公式(8)的阈值函数，对于中频部分噪声量相对较小，为避免语音信号失真，对中频部分采用的收缩阈值为：
[0104]
[0105] 软阈值方法被用来消除高频和中频部分的噪声信号:
[0106]
[0107] 然后，用剩余的低频分量和经阈值去噪后的高频和中频分量对语音信号进行重构，重构信号用下式表示:
[0108]
[0109] 其中，k是确定的高频分量个数，l是确定的区分高频与中频的本征模态分量数，n是经验模态分界后的本征模态个数。
[0110] 总的来说，本申请提出的雷达语音增强算法主要是以下步骤，
[0111] 1.利用经验模态分解将原始雷达语音信号x(t)进行筛分。
[0112] 2.按式(5)和(6)计算各分量的能量熵。
[0113] 3.计算各相邻分量的互信息熵按式(4)。
[0114] 4.根据式(7)确定高频和中频分量的分界点。
[0115] 5.利用IMF固定阈值确定中频和低频分量的分界点。
[0116] 6.利用式(8)–(11)对高频和中频语音信号中的噪声进行滤出。
[0117] 7.用未做处理的低频分量和式(12)去噪后的高、中频分量对语音信号进行重构。
[0118] 实施例
[0119] 为了保证声源的一致性，选择一名女性实验者的录音材料“1-2-3-4-5-6”，并由音箱在距雷达系统5米处播放。
[0120] 以下述步骤对雷达语音进行增强：
[0121] 1)对生物雷达语音进行采样，得到原始带噪雷达语音信号；
[0122] 2)对采集的原始雷达语音信号进行经验模态分解；
[0123] 3)对经验模态分解后的本征模态函数进行噪声含量分析；
[0124] 4)根据雷达语音噪声分布特点，利用互信息熵进行噪声分量个数的选择；
[0125] 5)将经自适应去噪后的本征模态函数进行重构得到增强后的雷达语音。
[0126] 处理结果对比，请参考图3、图4、图5所示，其中各图中(a)是毫米波雷达语音信号的时域波形，图(b)是毫米波雷达语音信号的语谱图。
[0127] 图2是由雷达系统采集的原始雷达语音信号，无论是从原始雷达语音信号的时域波形还是语谱图中都可以看出，语音信号受噪声干扰，这些噪声来源主要有电磁谐波噪声、电路噪声和环境噪声。这些噪声的存在往往影响了雷达语音信号的质量。
[0128] 图4是由传统算法谱减法进行消噪后的语音信号，从时域波形中可以看出，语音信号中的噪声被大幅度的消除，尤其是静默段中的噪声，从图4(b)语谱图中同样可以看出，经谱减法处理后，静默段中的噪声被大幅度去除了，但是在高频部分，一些非原始雷达语音信号中的成分被引入其中，被称为“音乐噪声”，这在听觉上往往影响语音质量。
[0129] 图5是本专利所述的经验模态分解和互信息熵算法消除噪声后的雷达语音信号。从图中可以看出，雷达语音信号中的噪声也得到了大幅度的抑制，虽然在图5(b)中可以看到，在非语音段，仍然存在部分残留噪声，这是该方法为避免造成语音信号失真，采用自适应阈值的结果。为进一步验证该方法的有效性，同步开展了主观听力测试实验，实验结果表明，与谱减算法相比，提出的方法在不造成语音信号失真的前提下，有效消除了雷达语音信号中的噪声，提高了语音质量。
[0130] 尽管本发明所论述的消除毫米波雷达语音中的噪声的方法具有针对性，尤其适合毫米波雷达语音信号，但是本发明使用的范围并不局限于毫米波雷达语音信号，对于厘米波雷达语音信号，以及一些在相同环境下采集的声学语音信号同样具有重要的指导意义和借鉴价值。上面结合附图对本发明的实施方式作了详细说明，并非对本发明作任何限制，凡是根据本发明技术实质对以上实施实例所作的任何简单修改、变更以及等效结构变化，均仍属于本发明技术方案的保护范围内。
