1.一种面向家居噪声环境的分层自适应去噪方法，其特征在于，该方法包括：(1)先将带噪语音信号经过谱减法滤波，去除掉噪声的短时谱部分，得到去噪后的语音信号；

假设y(n)是受噪声干扰的信号，则y(n)由纯净语音信号x(n)和加性噪声d(n)组成，即：y(n)＝x(n)+d(n)    (1)经过傅里叶变换后，其公式表示为：

Y(ω)＝X(ω)+D(ω)    (2)将上式用功率谱表示可转换为：

其中， 被称为交叉项，在家居噪声中，可以将加性噪声d(n)假设具有0均值，并且和x(n)不相关，则交叉项为0，公式(3)简化为：

2 2 2 2 2 2

|Y(ω)|＝|X(ω)|+|D(ω)|，即：|X(ω)|＝|Y(ω)|‑|D(ω)|    (4)用Px(ω)、Py(ω)、Pd(ω)代表纯净语音功率谱、受噪声干扰信号功率谱、噪声功率谱，则Px(ω)＝Py(ω)‑Pd(ω)    (5)得到的结果即为经过谱减法处理后的语音信号y′(n)；

(2)观察谱减法去噪后的语音信号中时域波形出现时间较短的突发声调的情况；

(3)若谱减法去噪后的时域波形出现时间较短的突发声调的情况比较严重，采用维纳滤波法对该信号进行二次滤波，去噪结束，得到去噪后的语音信号否则，转至步骤4；

假设y′(n)是受噪声干扰的信号，并且噪声是加性噪声，则y′(n)由纯净语音信号s(n)和噪声信号v(n)组成，即：y′(n)＝s(n)+v(n)    (6)经过滤波器的输出信号为：

用均方误差的方法来分析误差，使其数学期望达到最小，即：根据正交性准则，若h(n)为最佳传递函数，则有当m为任意值时，下式都成立：将公式(7)代入公式(9)进行傅里叶变换可得：其中，Px(k)为y′(n)的功率谱密度，Psx(k)为s(n)与y′(n)的互功率谱密度；因为语音信号s(n)和噪声信号v(n)二者是独立的，所以Rsv(m)＝0，也即：Psx(k)＝Px(k),Px(k)＝Ps(k)+Pv(k)     (11)根据公式(11)得到：

此时便得到维纳滤波器的功率谱估算器；得到功率谱估算器H(k)后，再由公式(7)计算出 在频域第k个频点上的语音频谱估计值其中，Y(k)为带噪语音在相应频点上的频谱值，对应处理后的语音信号为voice0；

(4)若出现时间较短的突发声调的情况不明显，对该信号进行小波阈值去噪法滤波，去噪结束，得到去噪后的语音信号；

假设观测信号的模型为：

y′(t)＝s(t)+e(t)    (14)其中，s(t)、e(t)分别表示纯净的语音信号和噪声；对公式(14)两边同时作小波变换得：WTy(a,b)＝WTs(a,b)+WTe(a,b)    (15)根据小波阈值去噪流程，若要从观测信号y′(t)中恢复出纯净语音信号s(t)，分为三个阶段，按照以下步骤进行：(1)正交小波变换：选定一个正交小波和分解层数M，对信号y′(t)进行M层小波分解；

(2)小波系数处理：对第一层到第M层的每一层高频系数通过阈值函数进行处理，对每层的低频系数不做处理；

(3)小波重构：根据小波分解的第M层的低频和经过处理后的第一层到第M层的高频系数进行信号重构，从而得到想要的信号的估计值voice0。

2.根据权利要求1所述的面向家居噪声环境的分层自适应去噪方法，其特征在于，所述谱减法去噪利用加性噪声与语音信号不相关的特性，在假设噪声是统计平稳的前提下，用无语音间隙测算到的噪声频谱估计值代替有语音期间噪声的频谱，然后再和含噪语音频谱相减，从而得到语音频谱的估计值。

3.根据权利要求1所述的面向家居噪声环境的分层自适应去噪方法，其特征在于，所述维纳滤波去噪是先设计一个数字滤波器，通过调整滤波器，使得输入信号经过滤波器后的结果和输入信号本身的均方差达到最小，即输出的增强语音信号尽可能地接近输入的带噪信号。

4.根据权利要求1所述的面向家居噪声环境的分层自适应去噪方法，其特征在于，所述小波阈值去噪法采用小波基sym8，并且分解层数选为5，通过正交小波变换将带噪语音信号分解为高频和低频两部分，所述阈值采用启发式阈值规则对上面的高频和低频部分进行判决，保留大于阈值的信号，去除小于阈值的信号，并将阈值处理后的信号进行小波重构，得到去噪后的语音信号。

5.一种根据权利要求1‑4任一项所述的面向家居噪声环境的分层自适应去噪方法实现的系统，其特征在于，该系统包括：第一去噪模块，用于先将带噪语音信号经过谱减法滤波，去除掉噪声的短时谱部分，得到去噪后的语音信号；

假设y(n)是受噪声干扰的信号，则y(n)由纯净语音信号x(n)和加性噪声d(n)组成，即：y(n)＝x(n)+d(n) (1)

经过傅里叶变换后，其公式表示为：

Y(ω)＝X(ω)+D(ω) (2)

将上式用功率谱表示可转换为：

其中， 被称为交叉项，在家居噪声中，可以将加性噪声d(n)假设具有0均值，并且和x(n)不相关，则交叉项为0，公式(3)简化为：

2 2 2 2 2 2

|Y(ω)|＝|X(ω)|+|D(ω)|，即：|X(ω)|＝|Y(ω)|‑|D(ω)|    (4)用Px(ω)、Py(ω)、Pd(ω)代表纯净语音功率谱、受噪声干扰信号功率谱、噪声功率谱，则Px(ω)＝Py(ω)‑Pd(ω)     (5)得到的结果即为经过谱减法处理后的语音信号y'(n)；

判断模块，用于观察谱减法去噪后的语音信号中时域波形出现时间较短的突发声调的情况；

若谱减法去噪后的时域波形出现时间较短的突发声调的情况比较严重，则第二去噪单元二次滤波，去噪结束，得到去噪后的语音信号，所述第二去噪单元用于采用维纳滤波法对该信号进行二次滤波，否则，采用第三去噪单元处理，去噪结束，得到去噪后的语音信号；

假设y'(n)是受噪声干扰的信号，并且噪声是加性噪声，则y'(n)由纯净语音信号s(n)和噪声信号v(n)组成，即：y'(n)＝s(n)+v(n)    (6)经过滤波器的输出信号为：

用均方误差的方法来分析误差，使其数学期望达到最小，即：根据正交性准则，若h(n)为最佳传递函数，则有当m为任意值时，下式都成立：将公式(7)代入公式(9)进行傅里叶变换可得：其中，Px(k)为y′(n)的功率谱密度，Psx(k)为s(n)与y′(n)的互功率谱密度；因为语音信号s(n)和噪声信号v(n)二者是独立的，所以Rsv(m)＝0，也即：Psx(k)＝Px(k),Px(k)＝Ps(k)+Pv(k)     (11)根据公式(11)可以得到：

此时便得到维纳滤波器的功率谱估算器；得到功率谱估算器H(k)后，再由公式(7)可以计算出 在频域第k个频点上的语音频谱估计值其中，Y(k)为带噪语音在相应频点上的频谱值，对应处理后的语音信号为voice0；

若出现时间较短的突发声调的情况不明显，则第三去噪单元进行二次滤波，所述第三去噪单元用于对该信号进行小波阈值去噪法滤波；

假设观测信号的模型为：

y′(t)＝s(t)+e(t)    (14)其中，s(t)、e(t)分别表示纯净的语音信号和噪声；对公式(14)两边同时作小波变换得：WTy(a,b)＝WTs(a,b)+WTe(a,b)    (15)根据小波阈值去噪流程，若要从观测信号y′(t)中恢复出纯净语音信号s(t)，分为三个阶段，按照以下步骤进行：(1)正交小波变换：选定一个正交小波和分解层数M，对信号y′(t)进行M层小波分解；

(2)小波系数处理：对第一层到第M层的每一层高频系数通过阈值函数进行处理，对每层的低频系数不做处理；

(3)小波重构：根据小波分解的第M层的低频和经过处理后的第一层到第M层的高频系数进行信号重构，从而得到想要的信号的估计值voice0。