[发明专利]一种基于深度学习的语音识别方法

权利要求书

1.一种基于深度学习的语音识别方法，其特征在于：该方法包括以下步骤：

步骤S1：音源采集；

步骤S2：音源预处理；

步骤S3：抗噪增强；

步骤S4：口语理解；

步骤S5：说话人识别；

步骤S6：语音识别；

在步骤S2中，所述音源预处理包括采样率调整、音量归一化和声道归一化，得到单声道音源数据S_MA；

在步骤S3中，所述抗噪增强，包括以下步骤：

步骤S31：采用时频去噪网络对所述单声道音源数据S_MA进行抗噪处理；

步骤S32：使用语音解码数据和噪声解码数据，通过多种训练损失函数，进行预测模型训练，计算得到多种训练损失，并得到抗噪增强预测模型；

步骤S33：通过抗噪增强预测模型，对单声道音源数据S_MA进行语抗噪增强，得到抗噪增强语音数据S_AN。

2.根据权利要求1所述的一种基于深度学习的语音识别方法，其特征在于：在步骤S31中，所述采用时频去噪网络对所述单声道音源数据S_MA进行抗噪处理，包括以下步骤：

步骤S311：通过编码器encoder，计算得到单声道音源编码数据E_SMA，计算公式为：

；

其中，是编码器函数，所述编码器函数具体由短时傅里叶变换函数和ReLu激活函数构成的可学习一维卷积组成，S_MA是单声道音源数据；

步骤S312：通过掩码估计网络MaskEstNet，计算去噪掩码，计算公式为：

；

其中，是去噪掩码，Mask_V是语音数据掩码，Mask_N是噪声数据掩码，是掩码估计网络；

步骤S313：通过解码器decoder，计算得到语音解码数据，计算公式为：

；

其中，是语音解码数据，是解码器函数，所述解码器函数是逐元素点乘运算，具体由逆短时傅里叶变换函数和可学习的一维反卷积层组成，Mask_V是语音数据掩码，是点积运算，E_SMA是单声道音源编码数据；

步骤S314：通过解码器decoder，计算得到噪声解码数据，计算公式为：

；

其中，是噪声解码数据，是解码器函数，所述解码器函数是逐元素点积运算，具体由逆短时傅里叶变换函数和可学习的一维反卷积层组成，Mask_V是语音数据掩码，是点积运算，E_SMA是单声道音源编码数据。

3.根据权利要求2所述的一种基于深度学习的语音识别方法，其特征在于：在步骤S32中，所述使用语音解码数据和噪声解码数据，通过多种训练损失函数，进行预测模型训练，包括以下步骤：

步骤S321：通过信噪比损失函数L_SNR，在保留单声道音源数据S_MA的原始规模的基础上进行音源增强，所述信噪比损失函数L_SNR的计算公式为：

；

其中，是信噪比损失函数，θ是预测模型参数，是信噪比函数，是纯净语音数据和语音增强得到的语音解码数据之间的信噪比；

步骤S322：通过对数均方误差损失函数L_log-MSE，降低预测语音和真实语音之间的差异，所述对数均方误差损失函数L_log-MSE的计算公式为：

；

其中，是对数均方误差损失函数，θ是预测模型参数，是纯净语音数据的振幅谱，Mask_V是语音数据掩码，是点积运算，E_SMA是单声道音源编码数据，||·||²是欧几里得范数；

步骤S323：通过噪声重建损失函数L_NR，提高模型的鲁棒性，所述噪声重建损失函数L_NR的计算公式为：

；

其中，是噪声重建损失函数，θ是预测模型参数，是信噪比函数，是纯净语音数据和语音增强得到的语音解码数据之间的信噪比，是纯净噪声数据和语音增强得到的噪声解码数据之间的信噪比。