作者：桂。
時間：2017-06-08 08:01:41
鏈接：http://www.cnblogs.com/xingshansi/p/6957027.html
原文鏈接：http://pan.baidu.com/s/1nvp1bJF
前言
理論上借助VAD可以實現噪聲估計，但這是遠遠不夠的，例如在low-SNR場景下，甚至Noise是non-staitonary，原文交代了噪聲估計的重要性：
The majority of the VAD algorithms encounter problems in low-SNR conditions, particularly when the noise is nonstationary [1,2]. Also, some of those algorithms require tuning. Having an accurate VAD algorithm in a nonstationary environment might not be sufficient in speech-enhancement applications, as an accurate noise estimate is required at all times, even during speech activity. Noise-estimation algorithms that continuously track the noise spectrum are therefore more suited for speech-enhancement applications in nonstationary scenarios. This is a particularly challenging task, as we need to somehow estimate the noise spectrum even during speech activity. However, as we will see in this chapter, this can be accomplished by exploiting a few key properties of the speech signal.
一、Single Microphone Noise Spectrum Estimation
這個思路就是借助之前文章里提到的OMLSA算法，omlsa算法主要分為四個模塊：
1-log-MMSE估計器;2-priori SNR估計;3-語音不存在概率估計;4-基於MCRA/IMCRA的噪聲估計。
MCRA結構圖：
細節可以參考之前的文章，這里就不再重復了。
二、Microphone Array Post-Filtering
原理框圖
其中
D分兩個部分是假設噪聲由穩態噪聲、瞬態噪聲兩部分組成。
對每一個分支分別計算平均功率譜，並借助MCRA實現噪聲譜估計，這兩個操作的具體細節參考之前的文章。
定義變量（還起了一個名字TBRR
其中
，可以看出
也可以理解成語音存在概率，這樣一來判斷語音不存在概率的時候相當於多了一個評價的准則，如果綜合兩個弱分類器實現強分類就是接下來的問題了。
回顧single-channel中的q（語音不存在概率）定義式
給出multi-channel中的q定義式
其中
，其實兩個評價准則結合主要體現在or上。
剩下的操作與single-channel就完全一致了。