計算噪聲功率譜程式（WebRtcNs_AnalyzeCore）
計算信噪比函數之前的部分分别是：
1.對輸入的時域幀資料進行加窗、FFT變換。
2.然後計算能量，若能量為0，傳回；否則繼續往下。
3.然後計算新的能量和幅度。
4.使用分位數噪聲估計進行初始噪聲估計。
5.然後取前50個幀，計算得到高斯白噪聲、粉紅噪聲模型，聯合白噪聲、粉紅噪聲模型，得到模組化的混合噪聲模型。
計算信噪比（ComputeSnr）
作用：根據分位數噪聲估計計算前後信噪比
Inputs:
|magn|.信号幅度譜估計
|noise| 噪聲幅度譜估計
Outputs:
|snrLocPrior|先驗SNR
|snrLocPost| 後驗SNR
後驗信噪比指觀測到的能量與噪聲功率相關的輸入功率相比的瞬态SNR：
其中Y是輸入含噪聲的頻譜， N是噪聲頻譜，先驗SNR是與噪聲功率相關的純淨（未必是語音）信号功率的期望值，可表示為：
其中X是指輸入的純淨信号，這裡對應的指語音信号。在WebRTC實際的計算中，并沒有采用平方數量級，而是采用了量級數量級。
由于純淨信号是未知信号，先驗SNR的估計是上一幀經估計的先驗SNR和瞬态SNR的平均值：
上式中H對應與代碼中的smooth是上一幀的維納濾波器，用于對瞬時SNR平滑，前一項是上一幀的先驗SNR，後一項是先驗SNR的瞬态估計。其通過判決引導DD進行跟新，時間平滑參數是 ，其值越大，流暢度越高，延遲也會越大，程式中選擇的是0.98。
特征提取（FeatureUpdate）
作用：提取平均LRT參數、頻譜差異、頻譜平坦度
// * |magn| is the signal magnitude spectrum estimate.
// * |updateParsFlag| is an update flag for parameters.
計算頻譜平坦度（ComputeSpectralFlatness）
作用：頻譜平坦度計算。
原理：該算法假設語音比噪聲有更多的諧波。語音頻譜往往會在基頻（基音）和諧波中出現峰值，而噪聲頻譜則相對平坦。是以其作為區分噪聲和語音的一個特征。
頻譜度計算時N表示STFT後頻率點數，B代表頻率帶的數量，K是頻點指數，j是頻帶指數。每個頻帶包括大量的頻率點。就128個頻率點可分成4個頻帶（低帶，中低頻帶，中高頻帶，高頻），每個頻帶32個頻點。對于噪聲Flatness偏大且為常數，而對于語音，計算出的數量則偏下且為變量。
根據上面的公式，如果接近于1，則是噪聲，（噪聲的幅度譜趨于平坦），二對于語音，上面的N次根是對乘積結果進行N次縮小，相比于分母部分，縮小的數量級是倍數的，是以語音的平坦度較小，是趨近于0的。
計算頻譜差異度（ComputeSpectralDifference）
作用：計算輸入譜模闆（學習到的）噪聲譜的差異程度。所參考的噪聲譜是self->magnAvgPause[i]，傳回值是正則化的頻譜差異，為self->featureData[4]。
除了頻譜平坦度特征的噪聲相關假設之外，有關噪聲頻譜的另一個假設是，噪聲頻譜比語音頻譜更穩定。是以，可假設噪聲頻譜的整體形狀在任何給定階段都傾向與保持相同。模闆頻譜通過更新頻譜（最初被設為零）中極有可能是噪聲或語音停頓的區段來确定。該比較結果是對噪聲的保守估計，其中僅對語音機率确定低于門檻值（如 的區段處跟新了噪聲。在其它分布中，模闆頻譜也可能被導入到算法中，或從對應不同噪聲的形狀中篩選出來。考慮到輸入頻譜 和模闆頻譜（表示為 ），如想獲得頻譜模闆差異特征，可首先将頻譜差異測量定義為 ，其中α和u是形狀參數，包括線性位移和振幅參數，是通過将J最小化獲得的。(α,u) 通過線性方程獲得，是以可對每個幀輕松抽取此參數。在某些示例中，這些參數可表明輸入頻譜（在音量增加的情況下）的任何簡機關移/标度變化。之後該特征将成為标準話的測度。 語音噪聲機率更新（SpeechNoiseProb）
作用：計算語音/噪聲機率，存儲在probSpeechFinal。
magn：輸入幅度譜。noise：噪聲譜
理論基礎
先推導語音/噪聲機率計算方法，先來看語音/噪聲的機率模型，定義語音狀态為 ，定義噪聲狀态為 ，其中m是幀，k是頻率，則語音/噪聲的機率可以表示為： 。這一機率取決于觀測到的額噪聲輸入頻譜系數 以及所處理信号的一些特征資料（如信号的分類特征），也就是這裡的{F}。特征資料可以是有噪輸入頻譜，過往頻譜資料，模型資料等。如特征資料{F}可以包括頻譜平坦度測量，諧振峰值距，LPC殘餘以及模闆比對等。根據貝葉斯準則，語音/噪聲機率可表示為：
其中 是以信号的特征資料為基礎的先驗機率，該值在後續中被設為一個常數。 是特征資料 下的語音/噪聲機率，在忽略 為基礎的先驗機率p{F}，簡化語音機率和噪聲機率為：
語音機率： ，噪聲機率 ，這樣标準化的語音機率可以寫為：
LRT均值的計算
前面計算了三個特征中的兩個（頻譜差異度和頻譜平坦度），這裡介紹第三個，也就是LRT均值，這也是這個函數代碼最開始的部分。實際上在理論裡面已經把LRT均值的計算理論公式給出，但是有時候幀與幀之間的頻變似然比因子 會有很大波動，是以采用經過時間平滑處理的似然比因子：
LRT均值同時也作為q公式的參數之一，用來計算q。
q的計算
q的數值依賴于LRT均值、頻譜差異度、頻譜平坦度。
在語音/噪聲機率計算時，使用高斯假設作為語音PDF模型，進而獲得似然比。在其它模型中，機率密度PDF模型也可以用作測量似然比的基礎，包括拉普拉斯算子，伽馬，超高斯。舉個例子，當高斯假設可合理表示噪聲時，該假設并不一定适用于語音，尤其是在較短的時幀中（如～10ms）。在這種情況下，可以使用另一種語音PDF模型，但這很可能會增加複雜性。
要在噪聲估計和過濾流程中确定語音/噪聲的機率，這不僅需要本地SNR（即先驗SNR和瞬态SNR）的引導，還要結合從特征模組化中獲得的語音模型/認知内容。将語音模型/認知内容并入到語音/噪聲機率确定中，能讓噪聲抑制流程更好地處理和區分極不穩定的噪聲水準。如果僅依靠本地SNR，可能會造成可能性偏差。這裡對包含本地SNR和語音特征/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);
} 更新噪聲估計（UpdateNoiseEstimate）
功能：更新噪聲估計
輸入：magn、snrLocPrior、snrLocPost
輸出：noise：更新的噪聲頻譜估計
的平滑度。這個式子是使用了輸入頻譜和上次噪聲估計的值對噪聲進行估計，它的估計方法是這樣的：當處于噪聲可能性比較大的幀和頻率槽的時候，進行更新；如果是語音可能性比較大的時候，就用上一個幀的估計作為噪聲估計。
噪聲估計更新流程受到語音/噪聲機率和平滑參數γ控制。對于語音機率超過門檻值參數的地方，平滑參數可能會被增加到0.99，以防止語音開始處的噪聲水準增加過高。
處理核心程式（WebRtcNs_ ProcessCore）
- 确定高低頻。
- 加窗，計算帶噪語音資料幀能量，同樣若能量為0，那麼進行特殊處理。
- 進行FFT變換。
-
基于引導更新計算維納濾波器的系數。ComputeDdBasedWienerFilter(self, magn,
theFilter);計算公式見公式（1.5）。
- 對維納增益值根據使用者設定的降噪等級進行下溢和上溢處理
- 進行維納濾波，然後将頻域資料（頻率降噪）通過IFFT轉為時域資料
- 對降噪等級進行判斷，如果等級為0，則維納濾波輸出則為最後的降噪結果。否則，到第8步。
-
再來計算維納濾波後每一幀的資料能量，然後與前面的能量做比值得到gain=sqrtf(energy2 /
(energy1 + 1.f));
- 計算factor1和factor2。
-
結合Analyze中的priorSpeechProb計算最終的增益因子：factor = self->priorSpeechProb *
factor1+(1.f - self->priorSpeechProb) * factor2;
- 資料相乘，得到降噪結果：self->syntBuf[i] += factor * winData[i];