[发明专利]训练神经网络的方法及系统

说明书

本文中公开一种用于训练神经网络的方法及系统。根据一个实施例，所述方法包括：接收有噪信号；产生经去噪输出信号；基于所述经去噪输出信号来确定信号失真比(SDR)损失函数；基于所述经去噪输出信号来确定感知语音质量评估(PESQ)损失函数；以及基于所述感知语音质量评估损失函数及所述信号失真比损失函数来优化总损失函数。

[优先权]

本申请是基于在2019年1月11日在美国专利与商标局提出申请且被授予序列号62/791,421的美国临时专利申请且主张所述美国临时专利申请的优先权，所述美国临时专利申请的全部内容并入本申请供参考。

技术领域

本公开总体上涉及信号处理。具体来说，本公开涉及信号失真比(SDR)及感知语音质量评估(PESQ)优化。

背景技术

最近，基于深度神经网络的监督学习(supervised learning)在语音增强(speechenhancement)方面实现了实质性的改进。与典型统计方式的主要差异在于，没有必要对信号模型进行预先假设。举例来说，维纳滤波器(Wiener filter)通常假设语音或噪声模型的高斯分布(Gaussian distribution)，这在真实环境中常常是不正确的。相反的，神经网络仅通过参照从有噪语音(noisy speech)到训练数据的干净语音(clean speech)的映射来学习语音去噪。

频谱掩蔽估计(spectra mask estimation)包括预测时间-频率频谱掩蔽(time-frequency spectra mask)(即，干净频谱与有噪频谱之间的比)。先前已提出理想二进制掩蔽(ideal binary mask，IBM)来用于训练标签(label)，其中IBM根据对应的信噪比(signalto noise ratio，SNR)而为一或零。理想比掩蔽(ideal ratio mask，IRM)及理想量值掩蔽(ideal magnitude mask，IAM)提供软掩蔽标签(soft mask label)来克服IBM的粗略映射。由于更好的标签分辨率，这两种方法均相对于IBM表现出改进。另外，先前提出了将干净相位及有噪相位考虑在内的相位敏感掩蔽(phase sensitive mask，PSM)。PSM不补偿有噪相位，但通过参考干净相位与有噪相位比，PSM为掩蔽估计提供更好的频谱振幅标签(spectraamplitude label)。

然而，这种方式具有两个关键问题：度量失配(metric mismatch)及频谱失配。频谱掩蔽估计通常使干净频谱振幅与所估计的频谱振幅之间的均方误差(mean squareerror，MSE)最小化，由于度量失配，这在使信号失真比(signal distortion ratio，SDR)或感知语音质量评估(perceptual evaluation of speech quality，PESQ)最大化方面不是最优的。举例来说，常常观察到，尽管频谱均方误差减小，但SDR或PESQ经常劣化。第二个频谱失配问题源自频谱域的估计。一般来说，由于短时傅里叶变换(short-time Fouriertransform，STFT)运算及短时傅里叶逆变换(inverse short-time Fourier transform，ISTFT)运算，频谱信号的任何任意修改均无法完全恢复，这也被称为STFT不一致。举例来说，经去噪频谱一般来说不与所恢复的波形的频谱振幅匹配。因此，经去噪频谱振幅无法完全反映到重构输出(reconstructed output)，这可能导致实质性的性能损失。

发明内容

根据一个实施例，一种训练神经网络的方法包括：接收有噪信号；产生经去噪输出信号；基于所述经去噪输出信号来确定信号失真比(SDR)损失函数；基于所述经去噪输出信号来确定感知语音质量评估(PESQ)损失函数；以及基于所述PESQ损失函数及所述SDR损失函数来优化总损失函数。