小波包技术在抑制窄带干扰中的应用

　　混有单音频噪声的语音扩频序列经过解扩、解调处理后的误码率为3.92e-1，主观上聆听完全无法辨析语音内容。下面利用小波包分解技术去除单音频噪声，选取Shannon熵，依据原理公式(3)，(4)以及图2所示的小波树分解框图，在Matlab仿真环境中用wpdencmp函数，采用“db43”小波包作4层分解，取全局域值5.035，应用软判决准则，提取扩频序列de.mat。由于小波树能够对高低频段均进行频带划分，因此能更有效地锁定窄带干扰分量。

　　将de.mat数据解扩、解调，其误码率为1.429e-4，提高了3个数量级，性能大大改善。将除噪后的数字音频信号进行ADPCM解码，得到的时域图如7所示，再次进行聆听，能够较清晰地分辨语音内容，只存在极少数的背景噪音。如果还需进一步增强语音信息，可以采用信号特征提取等处理方法去除其他噪声，本文不再详述。

　　为了进一步突出小波包除噪效果，我们采用同样具有时域局部化特点的短时傅里叶变换方法代入实验程序，其除噪后的语音时域波形图如图8所示。

　　分别将图7、图8与语音原始信号的时域波形图相比，图8损失了较多的语音细节，从主观聆听效果来看，也没有小波除噪后的还原效果好。短时傅里叶变换虽能描述某一局部时间段上的频率信息，但由于整个过程只加了相同的窗函数，所以它不适应信号频率高低变化的不同要求。

　　3 结 语

　　本文讨论了基于小波包分析技术去除语音扩频信号单音频干扰的原理和应用。小波包变换的任意多尺度分解特性和良好的时、频域局部化特性可被用于迅速跟踪和确定信号分量的时、频域位置，尤其适用于扩频信号混有窄带干扰的情况。仿真实验结果证明利用小波包分析能够获得满意除噪效果。