[发明专利]一种基于表征学习的深度学习语音增强方法

说明书

随着模型训练方法的进一步发展，越来越多的深度学习方法被用于语音增强。基于深度学习的方法在语音增强方面取得了较好的效果，但在将噪声语音映射为纯语音的过程中，DNN的输入通常是噪声语音的时域PCM或频域幅度谱。这样，输入层的单元数就太大了。它不仅增加了DNN训练阶段的复杂度，而且降低了纯语音与噪声的区别。为了提高增强语音的质量和可理解性，减少DNN输入层的单元数，本技术使用了AE与DNN相结合的降噪算法。在时域提取语音特征，利用黄金分割法确定声发射每一隐藏层的单元数。然后将声发射提取的语音特征应用到基于DNN的语音增强系统中。

一、技术领域

本技术提出了一种新的深度神经网络结构来实现语音增强，将表征学习其作为一种无监督学习方法来提取和减少数据的特征，并将其应用到DNN语音增强系统中。所提出的语音增强技术的优于PCM-DNN和DDAE等常用的深度神经网络方法，特别是在低信噪比时。

二、背景技术

深度神经网络(Deep Neural Network，DNN)，它将复杂的非线性映射函数从有噪声的语音学习到无噪声的语音。显然，这种强大的建模能力在低信噪比的条件下，特别是在未知和不匹配噪声的条件下，可以获得很好的分离性能。在许多语音通信应用中，使用DNN的非线性模型映射来降低噪声水平已成为研究人员的常规。然而，输入数据的维数对语音增强性能有着至关重要的影响，因为DNN输入层的单元数较多，高维数据会增加训练的复杂度，降低语音与噪声的区别。在大多数情况下，深度学习模型不能从完全任意的数据中学习。提供给模型的数据应该便于模型学习。为了提高DNN的有效性，最好在数据输入模型之前对其进行特征学习，即对数据进行编码和转换。特征输入的质量将直接影响模型，同时对模型的时空复杂度和收敛速度也有很大的影响。这些技术可以减小问题的规模，避免过拟合，提高模型的预测精度和泛化能力。通过提供较小的特征集作为模型的输入，它们还可以用更短的训练时间构建更简单的模型。特征学习技术不仅降低了数据的维数和计算复杂度，还提高了数据的质量，从而影响语音增强的性能因此，如何设计一种更有说服力的FL机制，从海量原始数据中对更抽象的特征进行降维和提取高级特征是至关重要的。

在上述考虑的基础上，我们提出了一种自编码器(AE)结构。在该机制中，我们将其作为一种无监督学习方法来提取和减少数据的特征。。通过定义重构误差函数来衡量自编码学习算法的学习效率。在自编码器的基础上增加正则化约束，得到相应的变形自编码器。自动编码器是深度学习中常用的模型或框架之一。采用无监督学习方法对数据的特征进行提取和降维。在自编码器的输入层和隐含层之间，存在一个编码过程，通过对输入数据进行编码操作，获得输入数据的编码表示；在隐含层和输出层之间，有一个解码过程，通过对具有编码表示的隐含层进行解码操作，得到输入数据的重构。通过定义重构误差函数来衡量自编码学习算法的学习效率。在自编码器的基础上增加正则化约束，得到相应的变形自编码器。

一般来说，基于深度学习的方法在语音增强方面取得了较好的效果，但在将噪声语音映射为纯语音的过程中，DNN的输入通常是噪声语音的时域PCM(Pulse CodeModulation)或频域幅度谱。这样，输入层的单元数就太大了。它不仅增加了DNN训练阶段的复杂度，而且降低了纯语音与噪声的区别。此外，增强语音的质量和可理解性也会下降。为了提高增强语音的质量和可理解性，减少DNN输入层的单元数，本技术使用了AE(auto-encoder)与DNN相结合的降噪算法。利用声发射在时域提取语音特征，利用黄金分割法确定声发射每一隐藏层的单元数。然后将声发射提取的语音特征应用到基于DNN的语音增强系统中。与谱减法、维纳滤波、基于对数最小均方误差的统计模型方法(Log-MMSE)、基于PCM的DNN方法(PCM-DNN)、主成分分析后PCM的DNN方法(PCA-DNN)相比，本文提出的算法大大提高了语音增强的性能。

三、发明内容