[发明专利]一种基于深度学习的阶梯式语音增强方法

权利要求书

1.一种基于深度学习的阶梯式语音增强方法，其特征在于：所述方法的步骤为：

a)一阶合适机器感知框架的建立：

步骤S1、对语音信号进行分帧及加窗处理，再进行短时傅里叶变换，将时序信号变换频域信号；

步骤S2、设计启发式输入方式，将输入集中于低频区域，增强低频区的感知强度，具体表达如下公式所示：

Y＝(Y_i×signal(Y_i,…,Y_n),Y_i,…,Y_n)

Y_i表示原始语音信号中的单帧特征，signal表示sigmoid激活；

步骤S3、将激活后的特征送入一阶网络中，网络结构为残差式DNN构成，所有的激活函数均采用ReLU进行高维空间噪声分离，所述残差式DNN结构为4层DNN，每一层的输入来自前一层及上上层，每一层均为1024维，残差表达如下：

F(x)＝H(x)+x

其中x表示输入的向量，H(x)为深层的输出，F(x)表示不同层短连接变换之后的输入；

步骤S4、将步骤S3的结果映射为1025维增强后的线性特征，然后将该特征结合原始带噪语音的相位得到一阶增强后适合机器感知的语音信号；

b)二阶适合人耳听觉感知框架建立：

步骤S5、利用一阶框架的结果，采用堆叠式残差DNN网络结构，进行进一步的信号增强转换，转换为基于人耳感知设计的Mel谱滤波信号；

步骤S6、将上一层得到的结果输入两层BGRU，使得帧与帧之间的信息相互关联，消除帧之间的独立性，同时将频域信息向时频联动上转换；

步骤S7、通过线性变换得到(n，80)的Mel特征谱值，该特征谱为二阶增强后的特征谱值，利用WaveRNN声码器合成适合人耳听感知的语音信号。

2.根据权利要求1所述的基于深度学习的阶梯式语音增强方法，其特征在于：所述步骤S1中加窗的窗长为46.5毫秒的汉明窗，包括1024个采样点，帧与帧之间的覆盖率为75％，包括768个采样点，并使用2048维的傅里叶变换，将时序语音信息映射为1025维。