[发明专利]基于TC-ResNet网络的麦克风阵列语音分离方法

权利要求书

1.一种基于TC-ResNet网络的麦克风阵列语音分离方法，其特征在于，包括以下步骤：

步骤1，获取包含不同方位角、多个声源的混合麦克风阵列信号，阵列信号中同时包含混响和噪声；

步骤2，对步骤1获得的阵列信号进行子带滤波、分帧和加窗，得到各个子带分帧后的阵列语音信号；

步骤3，针对步骤2得到的子带分帧后的阵列语音信号，提取每个时频单元的改进GSRP-PHAT特征，同时引入前、后各3个时频单元共7个时频单元的GSRP-PHAT特征，融合为一个二维特征参数，作为TC-ResNet网络的输入特征参数；

步骤4，利用训练阵列语音信号的特征参数训练TC-ResNet网络，TC-ResNet网络包括输入层、若干个卷积层和池化层、全连接层、输出层，输入层的输入特征参数为步骤3中特征参数，卷积层后面为池化层，若干个卷积层和池化层依次排列，将最后一个池化层的多维输出展开成一维输出，网络的输出为输入特征对应的时频单元的掩码；TC-ResNet网络的训练过程具体包括：

步骤4-1，基于Kaiming初始化随机设置所有卷积层和全连接层的权值；

步骤4-2，随机取一些特征参数构成一批数据输入训练样本，训练样本为(Z(k,f),Y)，其中，Z(k,f)是根据步骤3获得的特征参数，k为帧序号，f为子带序号；Y＝(y₀,y₁,y₂,…,y_Mout)，y_m表示网络第m个输出神经元的预期输出值，下标0对应噪声，1,2,…,Mout为方位角编号，M_out为方位角个数，每个神经元的预期输出值由IRM给定，其公式如下：

其中，M表示共有M个说话人，S_i(k,f)²表示第i个说话人语音信号在(k,f)时频单元内的能量，Noise(k,f)²表示(k,f)时频单元内的噪声能量；i＝0表示噪声；设第i个说话人所在方位角编号为m，则对应方位角神经元的期望输出值为y_m＝IRM_i，y₀设为IRM₀；

步骤4-3，根据前向传播算法，依次计算每层网络的实际输出值，直到计算出每个Softmax单元的实际输出Y′＝y′₀,y′₁,y′₂,...,y′_Mout；

步骤4-4，计算当前训练特征参数的代价函数，使用均方误差函数作为代价函数，则代价函数J的计算公式如下：

步骤4-5，使用反向传播算法，计算代价函数J对网络权重的偏导，并修正权重；

步骤4-6，若当前迭代次数小于预设总迭代次数，则返回至步骤4-2，继续输入训练样本进行计算，直至得到达到预设迭代次数时迭代结束，训练网络结束；

步骤5，训练好的TC-ResNet网络，对测试阵列语音信号对应的GSRP-PHAT特征参数进行计算，得到测试阵列语音信号的各时频单元的掩码，根据掩码和测试混合阵列信号，分离得到各个说话人的语音。

2.根据权利要求1所述基于TC-ResNet网络的麦克风阵列语音分离方法，其特征在于：步骤3中GSRP-PHAT特征的计算公式为：

式中，GSRP-PHAT_k,f(θ)表示第k帧、第f个子带的时频单元在声源方向角为θ时的特征值；N为阵列麦克风的总数；θ表示声源相对于阵列中心的方位角；ω_fL、ω_fH代表第f个子带的频率下限和上限；X_u(k,ω)、X_v(k,ω)表示第u个、第v个麦克风信号第k帧的频谱；

W(ω)是矩形窗的频谱，()*表示共轭运算，j表示虚数单位，ω表示频点，τ(θ,u,v)表示声源相对于阵列中心的方位角为θ时，声信号到第u个和第v个麦克风的时延差。