1.一种基于仿生小波变换的语音增强方法，其特征是，它包括的内容有：构建仿生小波变换阈值函数，采用人工蜂群算法寻找最优阈值，利用构建的新阈值函数和最优阈值实现语音信号去噪，
1)所述构建仿生小波变换阈值函数
为解决阈值函数，包括软阈值函数、硬阈值函数在处理信号时存在着固有的缺点，硬阈值函数在阈值处存在着不连续的问题，而软阈值函数虽改善了平滑性，但其估计小波系数
式中，α表示调节参数，α∈[0,0.5]，当α＝0时，新阈值函数近似为硬阈值函数，当α＝0.5时，新阈值函数接近于软硬阈值折衷函数，但改变了当|wj,k|<λ时，将当前小波系数置为0的缺陷；
①新阈值函数具有连续性
当函数的定义域|wj,k|>λ，新阈值函数|wj,k|→λ，即wj,k无限逼近于λ时
当函数的定义域|wj,k|<λ，新阈值函数|wj,k|→λ，即wj,k无限逼近于λ时
因此，由式(2)和式(3)可以看出，新阈值函数在wj,k＝±λ时，函数的值是固定的，因此该函数在wj,k＝±λ时是连续的，克服了硬阈值函数在wj,k＝±λ时不连续的缺点，改善了硬阈值函数的缺陷；
②新阈值函数的渐进线为
当|wj,k|≥λ时，新阈值函数
当|wj,k|≥λ时，
由式(4)和(5)可知，
2)所述采用人工蜂群算法寻找小波仿生变换的最优阈值
将人工蜂群算法应用到语音信号阈值去噪的过程中，通过对阈值选取过程中增加调节参数，优化阈值的选取，采用人工蜂群算法最优蜜源搜索来求解优化问题，同时结合阈值去噪的特性，依照适应度函数获取适应度最优的参数，增强阈值去噪效果，
在人工蜂群算法过程中，种群大小为sn，最大迭代次数(maxcycle)，控制参数为limit，在搜索过程中获得随机初始解xi(i＝1,2,…,sn)，在搜寻过程中，首先进行初始化种群：
式中，vi,j和xi,j分别为采蜜蜂搜索的前后位置，i为第i个蜜源，j∈{1,2,…,d}及k∈{1,2,…,n}是随机产生的，同时k≠i，
适应度值的表达式为：
其中，fi表示优化问题的目标函数。带噪语音信号增强后的信噪比snr：
式中，n表示语音信号长度；y(t)和
式中，fitnessi表示第i个解对应的适应度值，
当全部的观察蜂搜索完毕之后，判断这个解经历limit次循环后是否被更新，如果未被更新，那么此蜜源被舍弃，如果舍弃蜜源xi，那么该蜜源对应的采蜜蜂变化为侦察蜂，侦察蜂此时寻觅新的蜜源替代旧的蜜源，
xi,j＝xminj+rand(0,1)(xmaxj-xminj)(10)
式中，xmaxj和xminj分别表示维度j的上界和下界，j∈{1,2,…,d}，然后采蜜蜂继续搜寻过程，重复循环上述过程；
人工蜂群算法对食物源评价是采用贪婪选择的方法，表示为：
人工蜂群算法实现步骤为：
(a)采用随机初始化的方法初始化种群，包括种群的大小sn，最大迭代次数(maxcycle)以及控制参数limit：
(b)通过式(7)采蜜蜂从相邻的域找寻新解和计算新解的适应度值,标记适应度值大的个体，而通过式(11)实行贪婪选择，在新蜜源和旧蜜源中选择更好的那一个；
(c)依据式(9)观察蜂选择一个蜜源位置，在此蜜源位置进行采蜜并侦察新的蜜源位置，仿照(b)步骤，标记适应度值大的个体，而后进行贪婪选择，在新蜜源和旧蜜源中选择更好的那一个；
(d)判断采蜜蜂和观察蜂的查找次数是否超出规定上限limit，若超过，则淘汰该蜜源，其对应的采蜜蜂或者观察蜂转换为侦查蜂，并依照式(6)随机产生一个新的蜜源，以新蜜源来代替旧蜜源；
(e)标记这时获取的最好的蜜源位置，同时转到(b)步骤，直至到达最大迭代次数(maxcycle)，并且标记此时的最优蜜源位置；
(f)假如在一只采蜜蜂的位置周围搜索上限达到limit时，仍然未寻找到更优的位置，那么依据式(10)随机获取新解并进行替代；
(z)如果到达最大迭代次数，那么输出此时的最优解，如果没有到达最大迭代次数，则跳转到(b)步骤；
采用人工蜂群算法优化去噪过程中对阈值的选取，在对阈值的选取时，加入调节参数θ，利用人工蜂群算法，对调节参数θ进行寻优处理，优化选取的阈值估计，因此阈值的选取表达式为：
其中，σj为第j层噪声方差；n表示语音信号长度；θ表示语音相关性的调节参数，采用人工蜂群算法来搜索θ的最优解，而后进行阈值的调节，以此来获得更优的阈值估计；
3)所述基于构建的新阈值函数和最优阈值实现语音信号去噪
采用分帧的方式处理输入的语音信号，将经过预处理后的语音信号进行小波变换，获得各个尺度的小波系数，然后将小波变换转变为仿生小波变换，获得仿生小波变换系数，对变换后的仿生小波系数实行阈值处理，这里阈值往往取为：
式中，σ是噪声方差，n为语音信号长度，然而，现实操作中噪声方差的确定值是无法获取到的，因而，用式(14)来估计噪声方差值，
其中，mad表示平均绝对偏差(meanabsolutedeviation)，对噪声方差值的求取，采用第1层分解获取的高频系数cd1，主要取噪声信号系数，其次，每一层可以分别取不同的阈值，即λj，
式中，σ为噪声方差，根据每一层，估计噪声方差：
式中，{dp,i,i＝1,2…n/2}表示最高分辨率时的细节信号，基于人工蜂群算法的阈值估计，得：
对于阈值函数采用新阈值函数，进行阈值处理，阈值函数去噪后，将仿生小波系数转换到普通小波域上，然后进行小波逆变换，即重构语音信号，最终得到去噪后语音信号。