[发明专利]一种基于综合特征集的深度学习语音增强方法

权利要求书

1.一种基于综合特征集的深度学习语音增强方法，其特征在于，包括如下步骤：

1)对音频PCM编码信号预处理：对音频PCM编码信号进行分帧、加窗，同时按照设定比例将原始数据集分为训练集和测试集；

2)利用训练集对DBN的权重和偏置参数进行预训练和微调；

3)利用训练好的DBN权重和偏置参数提取DBN声学特征；

4)从训练集和测试集中提取互补特征集声学特征，即根据AMS、RASTA-PLP、梅尔倒谱系数、GF四个特征提取方法，分别提取分帧、加窗后的训练集、测试集语音数据的四个特征，并将所述的四个特征汇总得到互补特征集；

5)利用Group Lasso模型从DBN声学特征和互补特征集的特征中选取所需特征；

6)从五种特征汇总成的总向量中提取综合特征集声学特征，即根据步骤5)得到的多个拟合参数值，对AMS、RASTA-PLP、MFCC、GF、DBN五种特征进行保留或舍弃，重新组合分别得到训练集的综合特征集声学特征和测试集的综合特征集声学特征；

7)进行语音增强。

2.根据权利要求1所述的一种基于综合特征集的深度学习语音增强方法，其特征在于，步骤1)中所述的原始数据集是由720条TIMIT语料库纯净语音和NOISEX92噪声库中的噪声混合得到。

3.根据权利要求1所述的一种基于综合特征集的深度学习语音增强方法，其特征在于，步骤1)包括：从TIMIT语料库和NOISEX92噪声库分别随机选取120条语句，以-2dB信噪比混合得到测试集，从TIMIT语料库和NOISEX92噪声库剩余语句中随机选取600条语句，以-2dB信噪比混合得到训练集，将所述的训练集和测试集分别进行分帧、加窗。

4.根据权利要求3所述的一种基于综合特征集的深度学习语音增强方法，其特征在于，步骤2)包括：将分帧、加窗后的训练集语音数据分别作为DBN的输入层数据和输出层数据，所述输入层数据经过隐藏层，最后到达输出层并输出估计结果，所述的估计结果与所述的输出层数据之间有误差，计算所述的误差值，并将该误差值从输出层向隐藏层反向传播，直至传播到输入层，在反向传播过程中，根据误差值调整DBN的权重和偏置参数的值，重复迭代，直至收敛，得到最终训练好的DBN权重和偏置参数。

5.根据权利要求3所述的一种基于综合特征集的深度学习语音增强方法，其特征在于，步骤3)包括：将分帧、加窗后的测试集语音数据输入到DBN输入层，利用步骤2)训练好的DBN权重和偏置参数对DBN输入层语音数据进行计算，计算公式如下：

h^l＝σ(W^lh^l-1+b^l)

式中，σ(·)是logistic函数，l是DBN的层数，W^l是相邻层之间连接的权重矩阵，b^l是隐藏层的偏置参数，h^l是DBN第l层的输出，利用上式，计算后得到的最上层隐藏层数据即为DBN声学特征。

6.根据权利要求1所述的一种基于综合特征集的深度学习语音增强方法，其特征在于，步骤5)包括：选用二进制模型逻辑回归作为参数拟合Group Lasso模型，利用R语言中的glmnet包进行特征选取实验，汇总测试集语音的AMS、RASTA-PLP、MFCC、GF、DBN五种标准化后的特征作为一个总向量，将所述的总向量作为Group Lasso模型的输入，利用如下表达式计算得到理想比率掩码，

其中，S²(t,f)，N²(t,f)分别表示语音与噪声的能量，β是可调的放缩指数，根据经验取β＝0.5，所述的理想比率掩码取值范围为[0,1]，将理想比率掩码值大于0.5的设为1，其它的设为0，进而得到Group Lasso二进制响应，将五种特征汇总成的总向量作为Group Lasso的输入，二进制响应作为Group Lasso的输出，得Group Lasso模型的五种标准化后的特征所对应的多个拟合参数值，如果某一特征对应的拟合参数值中有大于零的值，则保留该特征，如果对应的拟合参数值全都为零，则舍弃该特征。