[发明专利]一种基于三值量化压缩的VAD实现方法

权利要求书

1.一种基于三值量化压缩的VAD实现方法，其特征在于，包括以下步骤：

A、提取人声数据及噪音数据，按预设定的信噪比结合，得到训练音频数据；

B、针对每一帧训练音频数据提取MFCC特征后，经拼接得到最终特征数据；

C、拼接多帧特征数据，输入神经网络进行数据训练；

D、接收训练后的数据模型，进行三值量化处理；

E、利用相同训练数据，训练三值化bDNN后，提取并保存其权重、参数。

2.根据权利要求1所述的基于三值量化压缩的VAD实现方法，其特征在于，还包括以下步骤：

F、提取人声数据及噪音数据，按预设定的信噪比结合，获取测试音频数据；

G、针对每一帧测试音频数据提取MFCC特征后，经拼接得到最终特征数据；

H、拼接多帧特征数据，输入神经网络进行数据训练；

I、进行三值化bDNN，计算待预测帧的预测值，待批量预测结束后，将所有预测中包含待预测帧的结果求平均值，得到当前帧的最终预测值。

3.根据权利要求2所述的基于三值量化压缩的VAD实现方法，其特征在于，所述步骤I还包括以下步骤：

判断最终预测值是否大于设定阈值，若是，则判定待预测帧含语音，反之，则不含语音。

4.根据权利要求3所述的基于三值量化压缩的VAD实现方法，其特征在于，所述步骤I还包括以下步骤：

计算AUC值作为评估标准，AUC值取值为(0,1)。

5.根据权利要求4所述的基于三值量化压缩的VAD实现方法，其特征在于，所述步骤I还包括以下步骤：

将测试音频的波形与预测结果进行可视化展示。

6.根据权利要求2所述的基于三值量化压缩的VAD实现方法，其特征在于，所述步骤A和步骤F中混合人声数据及噪音数据的步骤还包括：

P1、构造噪声数据列表与语料数据列表；

P2、设定每段音频的长度为L，从步骤S1中的噪声列表中随机选择音频进行串联，直到长度达到L；

P3、从步骤S1中的语料数据列表中随机选取一段音频，在所选取的音频首尾各添加音频总长度1/4的静音，重复选取至长度达到L；

P4、将选取的音频与噪声按预设定的信噪比结合，获取音频数据。

7.根据权利要求2所述的基于三值量化压缩的VAD实现方法，其特征在于，所述步骤B和步骤G中提取MFCC特征的步骤还包括：

Q1、对每一帧音频数据进行预加重，其中预加重因子取0.97；

Q2、对每一帧音频数据进行分帧，设定帧长为32ms，帧移为16ms；

Q3、基于汉明窗函数进行加窗，汉明窗函数如下：

Q4、进行快速傅里叶变换，将信号分离到不同的子带；

Q5、计算不同子带的能量；

Q6、生成相应的梅尔滤波器对子带进行滤波，梅尔滤波函数如下：

Q7、计算每个梅尔滤波器输出的对数能量；

Q8、经离散余弦变换，得到MFCC系数；

Q9、提取一阶差分参数；

Q10、将MFCC系数与其一阶差分参数拼接，得到最终特征数据。

8.根据权利要求2所述的基于三值量化压缩的VAD实现方法，其特征在于，所述步骤C和步骤H中拼接多帧特征数据的步骤包括：

S1、获取每一帧最终特征数据；

S2、提升每一帧的上下文信息，生成每一帧上的多个基预测；

S3、拼接包括待预测帧在内的5帧特征数据，输入神经网络进行数据训练。

9.根据权利要求1所述的基于三值量化压缩的VAD实现方法，其特征在于，所述步骤D中进行三值量化的步骤包括：

D1、接收训练后的数据模型，从该数据模型的矩阵中，计算得出阈值Δ和缩放因子α，计算公式如下：

其中，I_Δ＝{1≤i≤n||W_i＞Δ|}，|I_Δ|表示I_Δ中的元素；

D2、将原权重转变为三值权重，三值权重公式如下：

D3、将输入X与缩放因子α相乘作为新的输入数据，并与三值权重进行加法计算进行正向传播；

D4、使用SGD算法反向传播进行迭代训练。