4. 信号预处理技术：预加重、分帧与加窗、端点检测（VAD）、降噪滤波

各位好，欢迎来到第四章。前面几章我们把麦克风阵列的物理基础、声学模型和信号模型都过了一遍。从这章开始，咱们要真正动手处理音频信号了。

预处理这一步，说白了就是给原始音频信号“洗个澡”。麦克风采集到的原始信号，直接拿去做波束成形或者声源定位，效果往往惨不忍睹。为什么？因为信号里有太多“杂质”——低频能量太强、噪声太大、静音段太长。我刚开始做阵列算法时，就吃过这个亏，以为算法牛逼就能搞定一切，结果被实测数据狠狠教育了一顿。

好，咱们一个一个来看。

4.1 预加重：给高频信号“撑腰”

先问一个问题：为什么语音信号的高频部分总是“软绵绵”的？

原因在于声门脉冲的频谱特性——语音信号的能量主要集中在低频区域，高频部分衰减得厉害。你想想看，如果直接拿这样的信号去做后续处理，高频细节很容易被噪声淹没。

预加重的作用，就是用一个一阶高通滤波器，把高频部分抬起来。公式很简单：

y[n] = x[n] - α · x[n-1]

其中 α 通常取 0.95 到 0.97。我个人习惯用 0.97，这个值在大多数场景下表现都不错。

Python 实现就几行：

def pre_emphasis(signal, alpha=0.97):
    """一阶高通预加重"""
    return np.append(signal[0], signal[1:] - alpha * signal[:-1])

嗯，这里要注意：第一个样本点要保持原值，否则会丢失起始信息。

4.2 分帧与加窗：把连续信号切成“小段”

语音信号是非平稳的，但在极短的时间尺度内（10-30ms），它可以近似看作平稳信号。这就是分帧的理论基础。

分帧有两个关键参数：

帧移通常取帧长的一半，这样相邻帧之间有 50% 的重叠。为什么要重叠？因为加窗后帧边缘的信号会被削弱，重叠可以补偿这部分信息损失。

说到加窗，最常用的是汉明窗（Hamming Window）。它的形状像一口钟，中间高两边低：

def hamming_window(N):
    """生成N点汉明窗"""
    n = np.arange(N)
    return 0.54 - 0.46 * np.cos(2 * np.pi * n / (N - 1))

完整的帧处理流程：

1. 根据帧长和帧移计算总帧数
2. 逐帧从信号中截取数据
3. 每帧乘以窗函数
4. 得到加窗后的帧序列，用于后续处理

4.3 端点检测（VAD）：区分“说话”和“安静”

VAD 的全称是 Voice Activity Detection，说白了就是判断当前这一段信号里有没有人说话。

为什么需要 VAD？因为麦克风阵列采集到的信号，大部分时间可能是静音或者背景噪声。如果把这些无语音段也送去做处理，不仅浪费算力，还会引入噪声干扰。

经典的 VAD 方法基于能量和过零率：

• 短时能量： 语音段的能量通常高于噪声段
• 短时过零率： 清音（如 /s/、/f/）的过零率高，浊音（如 /a/、/i/）的过零率低

我常用的一个简单 VAD 实现：

def simple_vad(frame, energy_thresh, zcr_thresh):
    energy = np.sum(frame ** 2)
    zcr = np.sum(np.abs(np.diff(np.sign(frame)))) / 2
    return (energy > energy_thresh) or (zcr > zcr_thresh)

当然，实际项目中很少用这么简单的阈值法。噪声环境变化时，阈值需要自适应调整。我记得有一次在工厂车间做测试，背景噪声突然增大，固定阈值的 VAD 直接“失聪”了——把所有信号都判成了噪声。后来改用基于统计模型的 VAD（比如 G.729B 标准里的方法），才解决了这个问题。

4.4 降噪滤波：维纳滤波与谱减法

降噪是预处理的重头戏。这里介绍两种经典方法：维纳滤波和谱减法。

4.4.1 维纳滤波

维纳滤波的核心思想是：在最小均方误差准则下，估计出纯净语音信号。它假设噪声是平稳的，并且与语音不相关。

频域维纳滤波器的表达式：

H(ω) = P_s(ω) / [P_s(ω) + P_n(ω)]

其中 P_s(ω) 是语音功率谱，P_n(ω) 是噪声功率谱。你看，当信噪比高时（P_s >> P_n），H(ω) ≈ 1，滤波器几乎不衰减；当信噪比低时（P_s << P_n），H(ω) ≈ 0，滤波器把这段频率切掉。

实际实现时，噪声功率谱需要在无语音段估计——这就用到了前面说的 VAD。

def wiener_filter(noisy_spectrum, noise_psd):
    """维纳滤波频域实现"""
    speech_psd = np.maximum(np.abs(noisy_spectrum)**2 - noise_psd, 0)
    H = speech_psd / (speech_psd + noise_psd + 1e-10)
    return noisy_spectrum * H

4.4.2 谱减法

谱减法更直接：从带噪信号的幅度谱中减去噪声的幅度谱。公式：

|Ŝ(ω)| = max(|Y(ω)| - |N(ω)|, 0)

谱减法实现简单，计算量小，但有个臭名昭著的副作用——音乐噪声（Musical Noise）。就是降噪后的信号里会出现一些“叮叮当当”的残留噪声，听起来像背景里有人在弹钢琴。

为什么会有音乐噪声？因为谱减法是逐帧独立处理的，帧与帧之间的噪声估计有随机波动，这些波动在重建信号时就变成了离散的频点噪声。

缓解方法：

• 使用过减因子（over-subtraction factor），多减一点噪声
• 加一个频谱平滑操作
• 引入噪声估计的更新机制

维纳滤波和谱减法对比：

好了，这一章的内容就到这里。预加重、分帧加窗、VAD、降噪滤波，这四个步骤构成了麦克风阵列信号处理的第一道防线。把这些基础打牢，后面做波束成形和声源定位时，你会发现数据干净了很多，算法的效果也会上一个台阶。