深度学习在语音增强技术中的应用研究

发布时间：2022-01-26 17:48

　　近年来,计算机与数字信号处理技术快速发展,语音通信在人机交互逐渐变成一种重要方式。然而各种各样的干扰噪声会导致人机交互的延迟或错误识别问题。因此,解决噪声干扰、增强语音质量有着实际的意义。传统增强方法会残留部分噪声,特别是音乐噪声。此外,传统方法对于信号间的关系以及特性做了一定的假设,这并不符合实际环境情况。文章首先深入研究了语音增强技术和深度学习的基础知识和相关理论,包括语音信号的预处理、特征提取以及深度学习模型的训练。其次给出了传统的基于深度学习的语音增强框架,将带噪语音信号特征作为深度神经网络的输入,纯净语音信号特征作为网络的输出,利用深度神经网络强大的特征提取和映射能力复现纯净的语音信号。其次,谱减法是传统语音增强算法中较为经典的一种方法,其运算量小,易实现,但是其音质并不理想,增强后的语音信号中存在很多音乐噪声。本文利用传统谱减法和深层网络进行联合降噪,通过谱减法可以简单地去除大部分掺杂在语音信号中的噪声,利用栈式自编码滤除谱减法作用后剩余的噪声,特别是音乐噪声。实验中,从数据库中随机挑选4种噪声来生成6种信噪比不同的带噪语音信号。实验结果表明,两种方法都能明显减弱语音信号中... 

【文章来源】：东北石油大学黑龙江省

【文章页数】：61 页

【学位级别】：硕士

【部分图文】：

谱减法原理图

[18]。维纳滤波法的原理图如图 1-2 所示。图1.2 维纳滤波原理框图语音增强其实质就是最大限度地抑制或消除噪声，使得最终得到原始语音的最佳估计。采用不同的准则方法，得到的估计值也会不同。维纳滤波采用的是最

22E e n E s n s n，使其最小即可。维纳滤波相比较谱减法，最大的特点是滤波后的残留噪声不再是音乐噪声。但该方法也不足之处，其缺点是过分依赖相关函数，导致其消噪能力有限，且对于非平稳噪声处理效果不佳。1.3.3 自适应滤波算法20世纪 60年代初，Jakowatz 等首先提出了自适应滤波（ Adaptive Filter，AD）的概念，该算法的作用是可实现从噪声环境中提取出有用信号。相比较其它滤波算法，该算法具有更强适应性。因此，近年来，该方法在语音增强领域中得到了极大的发展和应用。滤波是为了获取信号中所包含的有效信息。数字滤波器可实现将输入的数字信号映射为输出信号，并从中提取出期望信息。通常，当一个线性时不变滤波器的系数或内部参数能够随输入的数据按某一准则改变，则称该滤波器为自适应滤波器。自适应滤波的原理如图 1-3 所示：

【参考文献】：
期刊论文
[1]基于随机Dropout卷积神经网络的人体行为识别方法研究[J]. 姜枫,张丽红.  测试技术学报. 2016(01)
[2]基于深度神经网络的语音增强研究[J]. 乔宽,杨中豪.  广东通信技术. 2015(06)
[3]基于小波变换的语音增强算法综述[J]. 李如玮,鲍长春,窦慧晶.  数据采集与处理. 2009(03)
[4]基于双正交小波包分解的自适应阈值语音增强[J]. 李如玮,鲍长春,窦慧晶.  仪器仪表学报. 2008(10)
[5]基于先验信噪比参数自适应的频域联合语音增强方法[J]. 陈紫强,曾庆宁,刘庆华.  电子与信息学报. 2007(02)
[6]改进的基于信号子空间的多通道语音增强算法[J]. 欧世峰,赵晓晖,顾海军.  电子学报. 2005(10)
[7]语音增强算法综述[J]. 王晶,傅丰林,张运伟.  声学与电子工程. 2005(01)
[8]自适应噪声抵消的应用研究[J]. 田玉静,左红伟.  青岛建筑工程学院学报. 2005(01)

硕士论文
[1]基于BP神经网络的语音增强算法研究[D]. 海兰萍.青海师范大学 2012
[2]基于BP神经网络的语音增强研究[D]. 周元芬.贵州大学 2009
[3]基于AD神经网络的语音增强[D]. 李政洋.苏州大学 2008
[4]基于RBF网络的语音增强研究[D]. 郭利斌.天津大学 2006
[5]基于小波变换的语音增强方法研究及实时实现[D]. 谭东昱.湖南大学 2004



本文编号：3610915