[发明专利]一种回声消除方法及装置

权利要求书

1.一种回声消除方法，其特征在于，应用于电子设备，包括：

获取到参考信号后，将所述参考信号输入预先建立的深度学习模型中，通过所述深度学习模型拟合得到的对应该电子设备的非线性函数对所述参考信号进行非线性变换，得到非线性变换后的音频信号；

对非线性变换后的音频信号进行回声消除；

其中，所述深度学习模型采用如下方法建立得到：

通过电子设备的音频输入装置接收电子设备的音频输出装置输出的音频信号，得到接收信号；

计算在所述参考信号不存在非线性失真的情况下音频输出装置和音频输入装置所在系统的冲击响应；

根据所述接收信号和所述冲击响应，计算所述参考信号非线性变换后的音频信号；

基于所述参考信号以及非线性变换后的音频信号，对神经网络进行训练得到深度学习模型。

2.根据权利要求1所述的回声消除方法，其特征在于，所述计算在所述参考信号不存在非线性失真的情况下音频输出装置和音频输入装置所在系统的冲击响应，包括：

基于误差信号计算公式，计算经过自适应滤波器的处理后输出的误差信号；所述自适应滤波器用于对所述参考信号进行回声消除；

计算所述参考信号的功率，并根据所述参考信号的功率调整自适应滤波器的步长；

根据所述参考信号的功率、所述误差信号以及所述参考信号，更新所述自适应滤波器的加权系数；

基于更新后的自适应滤波器进行回声消除，直至自适应滤波器收敛；

基于误差信号计算公式，计算得到冲击响应。

3.根据权利要求1-2任意一项所述的回声消除方法，其特征在于，所述将所述参考信号输入预先建立的深度学习模型中，通过所述深度学习模型拟合得到的该电子设备的非线性函数对所述参考信号进行非线性变换，得到非线性变换后的音频信号，包括：

对所述参考信号进行傅里叶变换，得到各个频带上的实部和虚部；

依次将每个频带的实部和虚部输入预先建立的深度学习模型中，通过深度学习模型拟合得到的非线性函数的变换后，依次输出每个频带上的非线性变换后的实部和虚部；

分别对所述深度学习模型输出的每个频带上的实部和虚部进行反傅里叶变换，得到非线性变换后的音频信号。

4.根据权利要求1所述的回声消除方法，其特征在于，所述神经网络为lstm神经网络。

5.一种回声消除装置，其特征在于，应用于电子设备，包括：

变换单元，用于获取到参考信号后，将所述参考信号输入预先建立的深度学习模型中，通过所述深度学习模型拟合得到的对应该电子设备的非线性函数对所述参考信号进行非线性变换，得到非线性变换后的音频信号；

回声消除单元，用于对非线性变换后的音频信号进行回声消除；

建立单元，用于通过电子设备的音频输入装置接收电子设备的音频输出装置输出的音频信号，得到接收信号；计算在所述参考信号不存在非线性失真的情况下音频输出装置和音频输入装置所在系统的冲击响应；根据所述接收信号和所述冲击响应，计算所述参考信号非线性变换后的音频信号；基于所述参考信号以及非线性变换后的音频信号，对神经网络进行训练得到深度学习模型。

6.根据权利要求5所述的回声消除装置，其特征在于，所述建立单元计算在所述参考信号不存在非线性失真的情况下音频输出装置和音频输入装置所在系统的冲击响应，具体包括：

基于误差信号计算公式，计算经过自适应滤波器的处理后输出的误差信号；所述自适应滤波器用于对所述参考信号进行回声消除；计算所述参考信号的功率，并根据所述参考信号的功率调整自适应滤波器的步长；根据所述参考信号的功率、所述误差信号以及所述参考信号，更新所述自适应滤波器的加权系数；基于更新后的自适应滤波器进行回声消除，直至自适应滤波器收敛；基于误差信号计算公式，计算得到冲击响应。