作者：桂。
时间：2017-06-08 08:01:41
链接：http://www.cnblogs.com/xingshansi/p/6957027.html
原文链接：http://pan.baidu.com/s/1nvp1bJF
前言
理论上借助VAD可以实现噪声估计，但这是远远不够的，例如在low-SNR场景下，甚至Noise是non-staitonary，原文交代了噪声估计的重要性：
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
这个思路就是借助之前文章里提到的OMLSA算法，omlsa算法主要分为四个模块：
1-log-MMSE估计器;2-priori SNR估计;3-语音不存在概率估计;4-基于MCRA/IMCRA的噪声估计。
MCRA结构图：
细节可以参考之前的文章，这里就不再重复了。
二、Microphone Array Post-Filtering
原理框图
其中
D分两个部分是假设噪声由稳态噪声、瞬态噪声两部分组成。
对每一个分支分别计算平均功率谱，并借助MCRA实现噪声谱估计，这两个操作的具体细节参考之前的文章。
定义变量（还起了一个名字TBRR
其中
，可以看出
也可以理解成语音存在概率，这样一来判断语音不存在概率的时候相当于多了一个评价的准则，如果综合两个弱分类器实现强分类就是接下来的问题了。
回顾single-channel中的q（语音不存在概率）定义式
给出multi-channel中的q定义式
其中
，其实两个评价准则结合主要体现在or上。
剩下的操作与single-channel就完全一致了。