“程云苓”申请（专利权）人搜索_中国专利权人_发明人_技术持有人_科研专家_钻瓜专利网

钻瓜专利网为您找到相关结果5个，建议您升级VIP下载更多相关专利

[发明专利]基于简化注意力编解码网络的滤波求和多通道语音分离方法-CN202211515165.3在审
发明人：庄程浩;周琳;许越;曹焱翔;邓宇汐;程云苓;王启瑞 -专利权人：东南大学
申请日： 2022-11-29 - 公布日： 2023-04-04 - 主分类号： G10L21/0272 文献下载
摘要：本发明公布了一种基于简化注意力编解码网络的滤波求和多通道语音分离方法。本发明选择多通道语音中的某一通道作为参考通道，计算参考通道语音与其余通道语音的归一化互相关特征值、参考通道语音的嵌入特征，两类特征作为第一个简化注意力编解码网络的输入特征，输出参考通道的预滤波器参数，对参考通道语音进行滤波，得到各声源的预分离语音；计算其余通道语音与预分离语音的归一化互相关特征、其余通道语音的嵌入特征，作为第二个简化注意力网络的输入，输出其余通道的滤波器参数，对其余通道语音进行滤波处理，得到各声源的分离语音，与各声源的预分离语音进行求和，得到各声源的最终分离语音。
基于简化注意力解码网络滤波求和通道语音分离方法

[发明专利]基于复空间角中心高斯混合聚类模型和双向长短时记忆网络的波束成形语音分离方法-CN202211413063.0在审
发明人：邓宇汐;周琳;程云苓;王启瑞;许越;曹焱翔;庄程浩 -专利权人：东南大学
申请日： 2022-11-11 - 公布日： 2023-02-24 - 主分类号： G10L21/0208 文献下载
摘要：本发明公布了一种基于复空间角中心高斯混合聚类模型和双向长短时记忆网络的波束成形语音分离方法。训练阶段，计算参考通道训练语音信号的对数功率谱、参考通道训练语音信号与其余通道训练语音信号之间相位差的正弦和余弦值，作为双向长短时记忆网络的输入特征。基于复空间角中心高斯混合聚类模型，计算各目标声源的掩蔽值，作为双向长短时记忆网络的训练目标，损失函数采用均方误差损失。测试阶段，根据双向长短时记忆网络输出的各目标声源在参考通道测试语音信号中的掩蔽估计值，计算多通道测试语音信号的协方差矩阵并进行广义特征值分解，基于各目标声源预期信噪比增益最大化准则，得到各目标声源的波束成形器系数，从而分离得到各目标声源。
基于空间心高混合模型双向短时记忆网络波束成形语音分离方法

[发明专利]一种基于卷积自注意力编码结构的语音增强方法-CN202211294392.8在审
发明人：曹焱翔;闫桐嘉;周琳;庄程浩;王启瑞;邓宇汐;程云苓 -专利权人：东南大学
申请日： 2022-10-21 - 公布日： 2023-02-07 - 主分类号： G10L21/0224 文献下载
摘要：本发明公布了一种基于卷积自注意力编码结构的语音增强方法。在训练阶段将训练集纯净语音信号、含噪语音信号分别进行短时傅里叶变换，计算理想比例掩蔽矩阵作为训练标签，将含噪语音的幅度谱图作为卷积自注意力编码结构的输入特征进行训练。卷积自注意力编码结构由编码器、解码器、残差密集块和自注意力编码模块组成。在测试阶段，卷积自注意力编码结构将测试含噪语音的幅度谱图映射为掩蔽值矩阵，根据掩蔽值重构纯净语音的幅度谱图，结合原始含噪语音的相位谱，得到增强语音信号。在不同声学环境下的仿真测试表明，基于不同的语音质量客观评估方法，本发明显著提高含噪语音的客观评价指标，并且对于未知声学环境具有较强的泛化能力。
一种基于卷积注意力编码结构语音增强方法

[发明专利]一种基于卷积和循环融合网络的语音增强方法-CN202211278482.8在审
发明人： 程云苓;周琳;邓宇汐;王启瑞;曹焱翔;庄程浩;王天仪 -专利权人：东南大学
申请日： 2022-10-19 - 公布日： 2023-01-13 - 主分类号： G10L21/0316 文献下载
摘要：本发明公布了一种基于卷积和循环融合网络的语音增强方法。训练阶段，对含噪语音和纯净语音分帧、加窗、短时傅里叶变换，提取含噪语音的对数幅度谱图，作为卷积和循环融合网络的输入特征，训练目标为理想比值掩膜矩阵，通过反向传播算法训练卷积和循环融合网络；测试阶段，卷积和循环融合网络根据测试含噪语音的对数幅度谱图，估计增强语音的理想比值掩膜矩阵，结合含噪语音的幅度谱和相位谱，得到增强语音的频谱，通过短时傅里叶逆变换，得到增强语音的时域信号。在低信噪比的情况下，语音增强效果显著，对噪声和混响具有很好的鲁棒性和泛化性。
一种基于卷积循环融合网络语音增强方法

[发明专利]一种基于FirePS卷积神经网络的语音增强方法-CN202211155820.9在审
发明人：王启瑞;周琳;程云苓;邓宇汐;王天仪 -专利权人：东南大学
申请日： 2022-09-22 - 公布日： 2022-12-20 - 主分类号： G10L21/0224 文献下载
摘要：本发明公布了一种基于FirePS卷积神经网络的语音增强方法。本发明对含噪单通道语音信号进行短时傅里叶变换，提取对数幅度谱图，作为FirePS卷积神经网络的输入特征进行语音增强。训练阶段，使用训练集语音数据的对数幅度谱图训练FirePS卷积网络，输出增强语音的对数幅度谱图，将训练语音对应的纯净对数幅度谱图作为标签，训练得到基于卷积神经网络的语音增强模型。FirePS卷积神经网络由Fire块、空洞卷积网络块、像素重排块和残差连接构成。测试阶段，FirePS卷积神经网络将测试含噪语音的对数幅度谱图映射为降噪后的对数幅度谱图，结合原测试语音的相位谱，得到增强后的语音时域信号。
一种基于 fireps 卷积神经网络语音增强方法