计算噪声功率谱程序（WebRtcNs_AnalyzeCore）
计算信噪比函数之前的部分分别是：
1.对输入的时域帧数据进行加窗、FFT变换。
2.然后计算能量，若能量为0，返回；否则继续往下。
3.然后计算新的能量和幅度。
4.使用分位数噪声估计进行初始噪声估计。
5.然后取前50个帧，计算得到高斯白噪声、粉红噪声模型，联合白噪声、粉红噪声模型，得到建模的混合噪声模型。
计算信噪比（ComputeSnr）
作用：根据分位数噪声估计计算前后信噪比
Inputs:
|magn|.信号幅度谱估计
|noise| 噪声幅度谱估计
Outputs:
|snrLocPrior|先验SNR
|snrLocPost| 后验SNR
后验信噪比指观测到的能量与噪声功率相关的输入功率相比的瞬态SNR：
其中Y是输入含噪声的频谱， N是噪声频谱，先验SNR是与噪声功率相关的纯净（未必是语音）信号功率的期望值，可表示为：
其中X是指输入的纯净信号，这里对应的指语音信号。在WebRTC实际的计算中，并没有采用平方数量级，而是采用了量级数量级。
由于纯净信号是未知信号，先验SNR的估计是上一帧经估计的先验SNR和瞬态SNR的平均值：
上式中H对应与代码中的smooth是上一帧的维纳滤波器，用于对瞬时SNR平滑，前一项是上一帧的先验SNR，后一项是先验SNR的瞬态估计。其通过判决引导DD进行跟新，时间平滑参数是 ，其值越大，流畅度越高，延迟也会越大，程序中选择的是0.98。
特征提取（FeatureUpdate）
作用：提取平均LRT参数、频谱差异、频谱平坦度
Inputs:
// * |magn| is the signal magnitude spectrum estimate.
// * |updateParsFlag| is an update flag for parameters.
计算频谱平坦度（ComputeSpectralFlatness）
作用：频谱平坦度计算。
原理：该算法假设语音比噪声有更多的谐波。语音频谱往往会在基频（基音）和谐波中出现峰值，而噪声频谱则相对平坦。因此其作为区分噪声和语音的一个特征。
频谱度计算时N表示STFT后频率点数，B代表频率带的数量，K是频点指数，j是频带指数。每个频带包括大量的频率点。就128个频率点可分成4个频带（低带，中低频带，中高频带，高频），每个频带32个频点。对于噪声Flatness偏大且为常数，而对于语音，计算出的数量则偏下且为变量。
根据上面的公式，如果接近于1，则是噪声，（噪声的幅度谱趋于平坦），二对于语音，上面的N次根是对乘积结果进行N次缩小，相比于分母部分，缩小的数量级是倍数的，所以语音的平坦度较小，是趋近于0的。
计算频谱差异度（ComputeSpectralDifference）
作用：计算输入谱模板（学习到的）噪声谱的差异程度。所参考的噪声谱是self->magnAvgPause[i]，返回值是正则化的频谱差异，为self->featureData[4]。
除了频谱平坦度特征的噪声相关假设之外，有关噪声频谱的另一个假设是，噪声频谱比语音频谱更稳定。因此，可假设噪声频谱的整体形状在任何给定阶段都倾向与保持相同。模板频谱通过更新频谱（最初被设为零）中极有可能是噪声或语音停顿的区段来确定。该比较结果是对噪声的保守估计，其中仅对语音概率确定低于阈值（如 的区段处跟新了噪声。在其它分布中，模板频谱也可能被导入到算法中，或从对应不同噪声的形状中筛选出来。考虑到输入频谱 和模板频谱（表示为 ），如想获得频谱模板差异特征，可首先将频谱差异测量定义为 ，其中α和u是形状参数，包括线性位移和振幅参数，是通过将J最小化获得的。(α,u) 通过线性方程获得，因此可对每个帧轻松抽取此参数。在某些示例中，这些参数可表明输入频谱（在音量增加的情况下）的任何简单位移/标度变化。之后该特征将成为标准话的测度。语音噪声概率更新（SpeechNoiseProb）
作用：计算语音/噪声概率，存储在probSpeechFinal。
magn：输入幅度谱。noise：噪声谱
理论基础
先推导语音/噪声概率计算方法，先来看语音/噪声的概率模型，定义语音状态为 ，定义噪声状态为 ，其中m是帧，k是频率，则语音/噪声的概率可以表示为： 。这一概率取决于观测到的额噪声输入频谱系数 以及所处理信号的一些特征数据（如信号的分类特征），也就是这里的{F}。特征数据可以是有噪输入频谱，过往频谱数据，模型数据等。如特征数据{F}可以包括频谱平坦度测量，谐振峰值距，LPC残余以及模板匹配等。根据贝叶斯准则，语音/噪声概率可表示为：
其中 是以信号的特征数据为基础的先验概率，该值在后续中被设为一个常数。 是特征数据 下的语音/噪声概率，在忽略 为基础的先验概率p{F}，简化语音概率和噪声概率为：
语音概率： ，噪声概率 ，这样标准化的语音概率可以写为：
LRT均值的计算
前面计算了三个特征中的两个（频谱差异度和频谱平坦度），这里介绍第三个，也就是LRT均值，这也是这个函数代码最开始的部分。实际上在理论里面已经把LRT均值的计算理论公式给出，但是有时候帧与帧之间的频变似然比因子 会有很大波动，所以采用经过时间平滑处理的似然比因子：
LRT均值同时也作为q公式的参数之一，用来计算q。
q的计算
q的数值依赖于LRT均值、频谱差异度、频谱平坦度。
在语音/噪声概率计算时，使用高斯假设作为语音PDF模型，从而获得似然比。在其它模型中，概率密度PDF模型也可以用作测量似然比的基础，包括拉普拉斯算子，伽马，超高斯。举个例子，当高斯假设可合理表示噪声时，该假设并不一定适用于语音，尤其是在较短的时帧中（如～10ms）。在这种情况下，可以使用另一种语音PDF模型，但这很可能会增加复杂性。
要在噪声估计和过滤流程中确定语音/噪声的概率，这不仅需要本地SNR（即先验SNR和瞬态SNR）的引导，还要结合从特征建模中获得的语音模型/认知内容。将语音模型/认知内容并入到语音/噪声概率确定中，能让噪声抑制流程更好地处理和区分极不稳定的噪声水平。如果仅依靠本地SNR，可能会造成可能性偏差。这里对包含本地SNR和语音特征/模型
gainPrior = ((float)1.0 - inst->priorSpeechProb) / (inst->priorSpeechProb + (float)0.0001);
for (i = 0; i < inst->magnLen; i++) {
invLrt = (float)exp(-inst->logLrtTimeAvg[i]);
invLrt = (float)gainPrior * invLrt;
probSpeechFinal[i] = (float)1.0 / ((float)1.0 + invLrt);
}更新噪声估计（UpdateNoiseEstimate）
功能：更新噪声估计
输入：magn、snrLocPrior、snrLocPost
输出：noise：更新的噪声频谱估计
的平滑度。这个式子是使用了输入频谱和上次噪声估计的值对噪声进行估计，它的估计方法是这样的：当处于噪声可能性比较大的帧和频率槽的时候，进行更新；如果是语音可能性比较大的时候，就用上一个帧的估计作为噪声估计。
噪声估计更新流程受到语音/噪声概率和平滑参数γ控制。对于语音概率超过阈值参数的地方，平滑参数可能会被增加到0.99，以防止语音开始处的噪声水平增加过高。
处理核心程序（WebRtcNs_ ProcessCore）
- 确定高低频。
- 加窗，计算带噪语音数据帧能量，同样若能量为0，那么进行特殊处理。
- 进行FFT变换。
- 基于引导更新计算维纳滤波器的系数。ComputeDdBasedWienerFilter(self, magn,
theFilter);计算公式见公式（1.5）。 - 对维纳增益值根据用户设置的降噪等级进行下溢和上溢处理
- 进行维纳滤波，然后将频域数据（频率降噪）通过IFFT转为时域数据
- 对降噪等级进行判断，如果等级为0，则维纳滤波输出则为最后的降噪结果。否则，到第8步。
- 再来计算维纳滤波后每一帧的数据能量，然后与前面的能量做比值得到gain=sqrtf(energy2 /
(energy1 + 1.f)); - 计算factor1和factor2。
- 结合Analyze中的priorSpeechProb计算最终的增益因子：factor = self->priorSpeechProb *
factor1+(1.f - self->priorSpeechProb) * factor2; - 数据相乘，得到降噪结果：self->syntBuf[i] += factor * winData[i];