[发明专利]一种基于深度特征损失的语音降噪方法及系统

权利要求书

1.一种基于深度特征损失的语音降噪方法，其特征在于，包括如下步骤：

S1、确定音频分类网络，所述音频分类网络由卷积层、卷积核、LReLU单元以及零填充单元组成；

S2、结合预设的音频分类任务对所述音频分类网络进行预训练，所述预设的音频分类任务包括：声学场景分类任务和音频标记任务；

S3、使用训练得到的音频分类网络的前六层特征激活差异作为增强网络的损失函数直接对预设音频进行降噪训练，使得所述增强网络具有降噪的能力，以基于训练后的增强网络对待降噪语音进行降噪；所述增强网络的损失函数由原始音频和去噪音频在所述音频分类网络中的前六层的激活特征做差，将每一层的差值求和得出。

2.根据权利要求1所述的语音降噪方法，其特征在于，所述声学场景分类任务包括对多种不同的生活场景进行分类，以使得所述损失函数中包含各种生活场景信息。

3.根据权利要求1所述的语音降噪方法，其特征在于，所述音频标记任务包括对童声、女声以及男声进行分类，以使得所述损失函数获取各类人声信息内容信息。

4.根据权利要求1至3任一项所述的语音降噪方法，其特征在于，所述音频分类网络由15个卷积层和3×1卷积核，批量归一化，LReLU单元和零填充单元组成；与上一层相比，下一层的长度减少2倍；通道数每5层增加一倍，起始层有32个通道；最后一个特征层中的每个通道均被平均池化以产生输出特征向量，最后通过线性层映射，将映射的输出向量作为特征提供给的分类器进行分类，损失函数使用交叉熵。

5.根据权利要求1至3任一项所述的语音降噪方法，其特征在于，所述增强网络由16个卷积层组成，第一层和最后一层是维数N×1的一维张量，N是输入信号长度，第一层卷积核为3×1，最后一层卷积核为1×1；每个中间层是维数N×W的二维张量，其中W是每个卷积层中的特征图数；通过具有3×1卷积核的膨胀卷积，然后进行自适应归一化和LReLU进行激活，由于归一化，中间层没有使用任何偏置项；对所有层进行零填充，以使它们的“有效”长度恒定为N。

6.一种基于深度特征损失的语音降噪系统，其特征在于，包括：

分类网络确定单元，用于确定音频分类网络，所述音频分类网络由卷积层、卷积核、LReLU单元以及零填充单元组成；

网络训练单元，用于结合预设的音频分类任务对所述音频分类网络进行预训练，所述预设的音频分类任务包括：声学场景分类任务和音频标记任务；

语音降噪单元，用于使用训练得到的音频分类网络的前六层特征激活差异作为增强网络的损失函数直接对预设音频进行降噪训练，使得所述增强网络具有降噪的能力，以基于训练后的增强网络对待降噪语音进行降噪；所述增强网络的损失函数由原始音频和去噪音频在所述音频分类网络中的前六层的激活特征做差，将每一层的差值求和得出。

7.根据权利要求6所述的语音降噪系统，其特征在于，所述声学场景分类任务包括对多种不同的生活场景进行分类，以使得所述损失函数中包含各种生活场景信息。

8.根据权利要求6所述的语音降噪系统，其特征在于，所述音频标记任务包括对童声、女声以及男声进行分类，以使得所述损失函数获取各类人声信息内容信息。

9.根据权利要求6至8任一项所述的语音降噪系统，其特征在于，所述音频分类网络由15个卷积层和3×1卷积核，批量归一化，LReLU单元和零填充单元组成；与上一层相比，下一层的长度减少2倍；通道数每5层增加一倍，起始层有32个通道；最后一个特征层中的每个通道均被平均池化以产生输出特征向量，最后通过线性层映射，将映射的输出向量作为特征提供给的分类器进行分类，损失函数使用交叉熵。

10.根据权利要求6至8任一项所述的语音降噪系统，其特征在于，所述增强网络由16个卷积层组成，第一层和最后一层是维数N×1的一维张量，N是输入信号长度，第一层卷积核为3×1，最后一层卷积核为1×1；每个中间层是维数N×W的二维张量，其中W是每个卷积层中的特征映射数；通过具有3×1卷积核的膨胀卷积，然后进行自适应归一化和LReLU进行激活，由于归一化，中间层没有使用任何偏置项；对所有层进行零填充，以使它们的“有效”长度恒定为N。