Canonical correlation analysis in speech enhancement

این کتاب بر کاربرد تحلیل همبستگی متعارف (CCA) برای تقویت گفتار با استفاده از رویکرد فیلترینگ تمرکز دارد. نویسندگان توضیح می‌دهند که چگونه می‌توان کلاس‌های مختلف فیلترهای کاهش نویز حوزه زمان و دامنه فرکانس زمانی را استخراج کرد، که از دیدگاه CCA برای بهبود گفتار تک کاناله و چند کاناله بهینه هستند. تقویت گفتار پر سر و صدا برای بسیاری از محققان در چند دهه گذشته یک مشکل چالش برانگیز بوده است و همچنان یک حوزه تحقیقاتی فعال است. به طور معمول، الگوریتم‌های تقویت گفتار در حوزه تبدیل فوریه کوتاه‌مدت (STFT) عمل می‌کنند، جایی که ضرایب طیفی گفتار تمیز با استفاده از یک تابع افزایش ضربی برآورد می‌شوند. یک رویکرد فیلتر، که می‌تواند در حوزه زمان یا در حوزه زیر باند انجام شود، با اعمال یک بردار فیلتر بر بردار گفتار پر سر و صدا، تخمینی از نمونه گفتار تمیز را در هر لحظه زمانی یا سطل فرکانس زمانی به دست می‌آورد.

در مقایسه با رویکرد افزایش ضربی، رویکرد فیلتر به طور طبیعی‌تر همبستگی سیگنال گفتار را در فریم‌های زمانی مجاور در نظر می‌گیرد. در این مطالعه، نویسندگان رویکرد فیلترینگ را دنبال می‌کنند و نشان می‌دهند که چگونه می‌توان CCA را برای مشکل تقویت گفتار اعمال کرد. آنها همچنین به مشکل شکل‌دهی پرتو تطبیقی ​​از دیدگاه CCA می‌پردازند و نشان می‌دهند که شکل‌دهنده‌های شناخته شده وینر و پاسخ بدون اعوجاج حداقل واریانس (MVDR) موارد خاصی از یک کلاس عمومی از شکل‌دهنده‌های پرتو تطبیقی ​​مبتنی بر CCA هستند.

This book focuses on the application of canonical correlation analysis (CCA) to speech enhancement using the filtering approach. The authors explain how to derive different classes of time-domain and time-frequency-domain noise reduction filters, which are optimal from the CCA perspective for both single-channel and multichannel speech enhancement. Enhancement of noisy speech has been a challenging problem for many researchers over the past few decades and remains an active research area. Typically, speech enhancement algorithms operate in the short-time Fourier transform (STFT) domain, where the clean speech spectral coefficients are estimated using a multiplicative gain function. A filtering approach, which can be performed in the time domain or in the subband domain, obtains an estimate of the clean speech sample at every time instant or time-frequency bin by applying a filtering vector to the noisy speech vector.

Compared to the multiplicative gain approach, the filtering approach more naturally takes into account the correlation of the speech signal in adjacent time frames. In this study, the authors pursue the filtering approach and show how to apply CCA to the speech enhancement problem. They also address the problem of adaptive beamforming from the CCA perspective, and show that the well-known Wiener and minimum variance distortionless response (MVDR) beamformers are particular cases of a general class of CCA-based adaptive beamformers.