一、speex降噪流程介绍
1）preprocess_analysis()包括两部分，主要是加窗交叠傅立叶(fft)变换等常用的信号处理算法。
1.1)预处理信号输入，加窗，交叠(overlap)，时频傅立叶变换（fft）1.2)计算能量计算频域能量ps，而filterbnak_compute_bank32()计算基于Bark带(临界频带)内的带噪信号能量。
2）update_noise_prob()更新噪声能量，使用的方法比较简单，即一般的固定迭代因子平滑算法；
3）更新mel噪声谱能量；
4）计算后验信噪比和进行先验信噪比更新：
post_SNR = ps/noise - 1；gamma = 0.1 + 0.89*(old/(old+noise))^2;priori_SNR= gamma*max(0,post) + (1-gamma)*old_ps/noise;
5）先验信噪比平滑(zeta[i])，用于本底增益计算,计算范围包括fft域和Bark域（Bark域计算后没有用到）。
6）计算Bark带(临界频带)内的EM算法增益和线性频域上的EM算法增益。
｛注：EM（YARIV EPHRAIM 和 DAVID MALAH） 是语音增强领域的泰斗。｝考虑到在临界频带内幅度谱并不一定符合高斯随机分布，所以EM算法在Bark带内不能严格适用，这一点JEAN-MARC也在c代码中做了说明， 所以此处只以线性频率上的EM增益为例进行说明。
6.1 ) weiner 滤波：prior_snr= prior_snr /( prior_snr +1)；
6.2 ) 超几何分布增益参数 theta= prior_snr *(1+post_snr)；
6.3) 超几何分布增益 MM=exp(-theta/2)*[(1+theta)*I0(theta/2)+theta*I1(theta/2)];其中I0和I1是贝塞尔函数。
6.4) 增益 g=min(1,prior_ratio*mm)；
6.5) p=gain2[i]；gain2是由临界频率计算后的增益扩展到线性频域后的增益。
6.6) 约束增益：如果 g/3>st->gain 则 g=3*st->gain ；
6.7) gain=g; 如果 gain<gain_floor 则 gain =gain_floor ；
6.8） 最终幅度谱增益
gain2={p*sqrt(g)+(1-p)*sqrt(st->gain_floor )}^2；
7）将幅度谱增益gain2作用于fft幅度谱
8）后处理,包括反傅立叶变换(ifft)、加合成窗函数、交叠相加，最终得到去噪以后的时域信号
二、降噪算法原理介绍
speex降噪算法采用一种基于MMSE短时谱幅度估计的语音增强算法，即STSA-MMSE. 该算法利用了人耳对语音相位变换不敏感的特性，估算得到短时幅度谱之后，利用带噪语音相位信息，合成增强语音。另外spee还应用了MCRA算法进行噪声跟踪，此处不讨论。以下是STSA-MMSE算法原理推导：
三、算法优化思路
1、优化先验信噪比的估计，先验信噪比能反映声场噪声的变化，其反应速度越灵敏，消噪效果越好。speex中是采用的”直接判决法“估计先验信噪比，该方法中平滑因子是固定的，可以采用自适应变化的平滑因子提高估计准确度。
2、优化噪声谱跟踪算法，更精准的噪声跟踪对消噪能力提升明显。
3、优化能量谱计算
