基于维纳滤波的matlab实现和优化，加入了谱减法和LPC等在语音增强中的应用

盲源分离，语音增强 Blind source separation (BSS) methods have received extensive attention over the past two decades; thanks to its wide applicability in a number of areas such as biomedical engineering, audio signal processing, and telecommunications. The problem of source separation is an inductive inference problem, as only limited information, e.g., the sensor observations, is available to infer the most probable source estimates.

学习语音增强的同学们，这文件包含中英文加代码。非常适合学习。

该书是一本声学和语音信号处理领域的专著，全面系统地阐述了麦克风阵列的理论和应用。全书共分为十章，涵盖了麦克风阵列信号处理领域中最重要的主题。每章沿着从基本理论到实际应用的脉络进行描述，希冀为读者建立起最重要的基本概念。 [1] 全书各章基本是自含的，可以按需求单独阅读每一章。第1 章介绍麦克风阵列的概念、特点和应用，以及全书组织结构。第2 章阐述了线性最优滤波器，这是麦克风阵列信号处理的基础。第3 章介绍了传统的窄带波束成形技术，引入了宽带波束成形的原理。第4 章介绍如何将线性限制最小方差滤波器（LCMV）用于室内声音环境下的噪声抑制和去混响。第5 章在一个统一的数学框架下，介绍了几种典型的单通道噪声抑制算法在麦克风阵列噪声抑制中的应用。第6 章在单通道和多通道两个方面介绍了频域最优滤波器，侧重帮助读者理解在多通道条件下频域滤波器的工作原理。第7 章从多输入多输出（MIMO）系统的角度介绍了麦克风阵列在信源提取、去混响和干扰抑制等方面的应用。第8 章是第7 章的延续，介绍了如何使用两步策略处理干扰源及混响问题。第9 章介绍了麦克风阵列条件下的波达方向（DOA）和时延估计（TDOA）问题。第10 章对本书中没有涉及的几个问题进行了讨论。本书可以作为通信、信号处理和声学等相关专业研究生的教材或教学参考书，也可供从事相关工作的科研及工程人员参考。 [1]

基于广义互相关函数的时延估计算法引入了一个加权函数，对互功率谱密度进行调整，从而优化时延估计的性能。根据加权函数的不同，广义互相关函数有多种不同的变形，其中广义互相关-相位变换方法（Generalized Cross Correlation PHAse Transformation，GCC-PHAT）方法应用最为广泛。GCC-PHAT方法本身具有一定的抗噪声和抗混响能力，但是在信噪比降低和混响增强时，该算法性能急剧下降。 研究表明麦克风对的GCC-PHAT函数的最大值越大则该对麦克风的接收信号越可靠，也就是接收信号质量越高。 更多说明参见本人博客：https://blog.csdn.net/qq_31556747/article/details/90242097

语音增强的matlab 实现代码，包括一些声音资源等等。。

麦克风阵列语音增强matlab源程序，使用固定的波束形成算法

作者：Emmanuel Vincent 传统信号处理+深度学习语音分离/增强 Tuomas Virtanen Sharon Gannot

基于人耳听觉掩蔽的维纳滤波子空间算法结合了维纳滤波与子空间语音增强各种的优点，达到了很好的语音增强效果

经过实验验证有效的语音增强算法，直接可运行，对非冲击噪声有较好的去噪效果。 lx_main为主程序，NS_lxwz为噪声估计模块，lxG_wz为增益估计模块，noise_sound为测试用含噪语音。 算法原理参见本人的文章《一种引入延迟的语音增强算法》