[发明专利]一种基于深度学习的声反馈的抑制方法及系统

说明书

本发明涉及扩声系统领域，特别涉及一种基于深度学习的声反馈的抑制方法及系统；所述方法包括：步骤1)采集闭环扩声系统中的原始真实声音信号，并基于傅里叶变换，获得真实声音张量矩阵；步骤2)将真实声音张量矩阵输入至预先训练好的第一深度学习网络模型中，通过训练好的第一深度学习网络模型提取真实声音张量矩阵中的特征向量，并基于所述特征向量进行声反馈抑制；其中，所述第一深度学习网络模型通过开环数据集进行训练；步骤3)将所述声反馈抑制后的真实张量矩阵进行傅里叶逆变换，获得声反馈抑制后的声音信号并将其输入至闭环的扩声系统中，所述闭环的扩声系统为存在反馈通路的扩声系统；本发明够有效抑制声反馈，普适性强，应用范围广泛。

技术领域

本发明涉及扩声系统领域，特别涉及一种基于深度学习的声反馈的抑制方法及系统。

背景技术

扩声系统广泛应用于音乐厅、教室、会议室等场景。在扩声系统中，至少存在三个基本单元，包括传声器、声音放大器以及声重放单元扬声器，其工程流程可以简单归纳为：传声器完成声电转换，经过放大器将声信号放大，并经过扬声器进行声重放，以完成电声转换，如图1所示。由此可见，助听器系统、辅听系统和对讲机都属于扩声系统。当扬声器播放的声信号被传声器拾取，形成声电转换—电路放大—电声转换—声反馈—声电转换闭环系统。声反馈不仅会影响声信号质量，影响主观听觉感受，其引发的啸叫还可能毁坏电子设备，产生不可逆的系统损伤。因此，对声反馈进行抑制既能提高系统的扩声性能，又能保证扩声系统的稳定性和安全性。

传统的声反馈抑制算法，如陷波法，陷波法就是要在声反馈系统的极点频率插入一个陷波滤波器，抑制极点的增益，使之无法达到啸叫的增益条件；因此陷波法需要分成两步：第一步，啸叫检测，将产生啸叫的频率找出来；第二步，啸叫抑制，在找出来的啸叫频率设计陷波滤波器，并对麦克风信号进行滤波；其抑制性能依赖于啸叫检测算法性能。

但是，陷波滤波器一般利用快速傅里叶变换算法(FFT算法)、CZT变换或选带傅里叶变换(Zoom-FFT)分析高分辨频谱分析来查找啸点，其啸叫检测算法非常复杂，在实际应用会出现虚警和漏警的情况；当出现虚警，语音和音频质量下降；当出现漏警，声反馈不能得到有效抑制。近几年基于深度学习(Deep Learning)的单通道语音增强算法得到了广泛研究，通过监督式学习，纯净语音可以从带噪信号中提取出来，但是目前还没有基于深度学习的声反馈的抑制方法及系统。

发明内容

本发明的目的在于，克服现有声反馈抑制方法中啸叫检测算法复杂，难以查找啸点，并且经常出现虚警和漏警情况的问题，从而提出一种基于深度学习的声反馈的抑制方法及系统。

本发明提供的一种基于深度学习的声反馈的抑制方法，以开环数据为训练集训练模型，再将模型置于闭环的实际系统中对信号进行反馈抑制，具体步骤包括：

步骤1)采集闭环扩声系统中的原始真实声音信号，并基于傅里叶变换，获得真实声音张量矩阵；

步骤2)将真实声音张量矩阵输入至预先训练好的第一深度学习网络模型中，通过训练好的第一深度学习网络模型提取真实声音张量矩阵中的特征向量，并基于所述特征向量进行声反馈抑制；其中，所述第一深度学习网络模型通过开环数据集进行训练；

步骤3)将所述声反馈抑制后的真实张量矩阵进行傅里叶逆变换，获得声反馈抑制后的声音信号并将其输入至闭环的扩声系统中，所述闭环的扩声系统为存在反馈通路的扩声系统。

作为上述方法的一种改进，所述开环数据集的构造过程包括：

在开环的所述扩声系统中，获取n个采样时刻的测试语音和音频信号，在每条所述测试语音和音频信号上随机叠加1至N个频率在[f_L,f_H]Hz的单频信号，以获得n个模拟啸叫混合信号z(n)，并将其构造成所述开环数据集；其中，所述开环的扩声系统为没有反馈通路的扩声系统；

所述模拟啸叫混合信号z(n)为：