基于神经网络的语音分离及其DSP实现

发布时间：2024-05-20 22:27

　　近几年,人工智能快速发展并渗入到各个领域,相应的人工智能产品也不断涌现,比如家用机器人、无人驾驶汽车等,人机交互作为其中关键技术备受关注。语音是人们日常交流的主要方式,语音识别技术已经取得了很大进步,但在实际环境中语音的质量往往受到周围环境噪声的影响,对机器识别产生干扰,导致识别率降低,无法正确识别指令。因此将纯净语音与噪声分离显得尤为重要。随着深度学习技术不断发展、计算机运算能力不断提升,使得DNN模型广泛用于图像、语音信号处理、自然语言处理等领域。基于DNN的语音分离取得了较好的分离效果,但相比广泛用于实验研究的DNN语音分离来说,在实际应用方面的工作相对要少一些,特别是在低功耗、工业用途方面。深度学习处理器主要有CPU、GPU、DSP、FPGA等,DSP相比于其他几种处理器有更好的功耗控制和稳定性。随着数字信号处理技术快速发展,DSP芯片性能不断提升,为语音分离在DSP上的实现提供了理论与技术上的支持。本实验的主要任务是在实际环境中对语音和噪声进行实时分离。将DNN模型部署在DSP硬件平台上,DSP通过麦克风实时接收语音信号并让信号通过模型从而分离噪声。实验总体分为以下两个步骤:...

【文章页数】：60 页

【学位级别】：硕士

【文章目录】：
摘要
ABSTRACT
第一章 引言
    1.1 研究背景及意义
    1.2 历史发展与研究现状
    1.3 论文的主要内容
第二章 语音分离理论基础
    2.1 语音基础
        2.1.1 语音的产生
        2.1.2 语音特性
        2.1.3 噪声特性
        2.1.4 掩蔽效应
    2.2 评价指标
        2.2.1 主观评价
        2.2.2 客观评价
    2.3 常见语音分离方法介绍
        2.3.1 谱减法
        2.3.2 维纳滤波法
        2.3.3 基于HMM的语音分离算法
    2.4 本章小结
第三章 基于DNN的语音分离
    3.1 深度神经网络
        3.1.1 深度神经网络概念
        3.1.2 深度神经网络结构
    3.2 语音分离
        3.2.1 语音分离的系统结构
        3.2.2 时频分解
        3.2.3 特征提取
        3.2.4 模型训练
        3.2.5 波形合成
    3.3 本章小结
第四章 基于DSP的系统实现
    4.1 DSP硬件平台概述
        4.1.1 DSP简介
        4.1.2 语音分离系统设计流程
        4.1.3 硬件组成
        4.1.4 DSP与音频芯片的连接
    4.2 DSP软件系统设计
        4.2.1 开发环境简介
        4.2.2 存储空间分配
        4.2.3 音频芯片初始化
        4.2.4 McBSP初始化与FIFO缓存
        4.2.5 算法实现
    4.3 本章小结
第五章 实验结果及分析
    5.1 模型测试结果分析
        5.1.1 数据集描述
        5.1.2 实验结果分析
    5.2 硬件平台测试结果分析
        5.2.1 测试平台
        5.2.2 测试方法
    5.3 本章小结
第六章 总结与期望
参考文献
附录1 实验平台
附录2 主要实现代码
致谢



本文编号：3979212