[发明专利]一种短波信道语音增强方法有效

专利信息
申请号: 202011404180.1 申请日: 2020-12-03
公开(公告)号: CN112634927B 公开(公告)日: 2022-07-29
发明(设计)人: 陈延涛;董彬虹;张晓雪;韩耀华;刘天昊 申请(专利权)人: 电子科技大学
主分类号: G10L21/0216 分类号: G10L21/0216;G10L25/30
代理公司: 电子科技大学专利中心 51203 代理人: 陈一鑫
地址: 611731 四川省成*** 国省代码: 四川;51
权利要求书: 查看更多 说明书: 查看更多
摘要:
搜索关键词: 一种 短波 信道 语音 增强 方法
【说明书】:

发明公开了一种短波信道语音增强方法,属于通信技术领域。本发明提出将神经网络应用于短波通信语音降噪模块,并根据Anti‑fading Net和Denoising Net的性能需求与特点,选择了相同的基于映射的卷积神经网络,能取得更好的噪声抑制效果;将卷积神经网络降噪模型Denoising Net与现有的经典非监督语音增强算法OMLSA结合,以等增益合并的方式,保留两种算法降噪的优势,从而提高单独使用Denoising Net或OMLSA算法的降噪语音质量;第三,本发明通过堆叠两个结构简单的卷积神经网络,取得了比一般的复杂结构神经网络更好的降噪效果。

技术领域

本发明属于通信技术领域,涉及一种神经网络结合非监督算法的短波语音增强方法。

背景技术

短波通信通过电离层实现远距离通信,是应急和军事通信不可或缺的最后通信手段,同时由于其通信设备的低成本和高灵活性也深受业余无线电爱好者的欢迎。由于电离层的时变特性,短波实时可通频段很窄,语音信号通常采用模拟单边带(Single-sideband,SSB)调制方式,经过长距离传输后接收到的语音信号质量往往较差,严重影响听觉舒适度;由于SSB信号无法采用数字信号处理的方法对抗短波信道传输中的衰落、噪声,因此只有对短波接收语音进行增强处理,才能得到高质量的语音信号。

语音增强是语音信号处理的重要环节,其主要任务是移除、削弱语音信号中的背景噪声,以提高语音信号的质量和可懂度。早期的语音增强算法主要以非监督学习算法为主,包括谱减法,非负矩阵分解(Nonnegative matrix factorization,NMF)算法以及基于统计模型的方法等,这些算法在大多数环境下都能够发挥一定的作用,具有较好的泛化性能,但难以处理性质与算法假设条件不匹配的噪声以及非平稳环境下的噪声。此外,语音增强技术通常假设信道是理想的,但在电离层短波信道环境下这种假设是不成立的,需要通过信道均衡以消除信道的影响,从而避免语音信号因信噪比过低,而淹没在噪声中被增强算法清除的情况发生。

近年来,随着深度学习的快速发展和广泛运用,基于深度学习的语音增强方法成为语音增强的主要研究方向,这类方法主要有基于掩蔽、基于映射以及端到端三类,基于映射的方法在低信噪比下比较有效,而基于掩蔽的方法在高信噪比下性能更佳,端到端的方法似乎更有发展潜力,但其计算量更大,并且往往需要复杂的模型结构。

发明内容

本发明针对背景技术的缺陷,引入深度学习完成噪声抑制和信道衰落补偿,提出了一种新型的神经网络结合非监督算法的短波信道语音增强方法。使用一个神经网络执行抗衰落处理以移除短波信道对语音信号的影响,使用另一个神经网络结合非监督增强算法执行噪声抑制处理以尽可能估计出发送的纯净语音信号。

本发明适用的短波语音通信的简化框图如图1所示。发射端通过麦克风获得语音信号后,使用现有的语音增强技术消除背景环境噪声,然后采用SSB调制并上变频到短波频段发射,发射信号通过电离层短波信道到达发射机,发射机接收到信号后,进行下变频和SSB解调后,执行本发明所提语音增强模块,最后得到增强后的语音信号。

本发明技术方案为一种短波信道语音增强方法,该方法包括神经网络训练阶段(步骤1~3),和语音增强阶段(步骤4~9);所述步骤神经网络训练阶段包括如下步骤:

步骤1:由纯净语音数据集xtrain构造含有信道衰落的短波语音数据集和含噪语音数据集

其中,htrain表示衰落短波信道,xtrain表示纯净语音数据集,ntrain为指定信噪比的加性噪声,“*”表示卷积;将纯净语音数据集xtrain、衰落短波语音数据集和含噪语音数据集经过短时傅里叶变换(Short time Fourier transform,STFT)进行特征提取,获得相应语音信号的幅度谱数据集|Xtrain|、和转入步骤2;

下载完整专利技术内容需要扣除积分,VIP会员可以免费下载。

该专利技术资料仅供研究查看技术是否侵权等信息,商用须获得专利权人授权。该专利全部权利属于电子科技大学,未经电子科技大学许可,擅自商用是侵权行为。如果您想购买此专利、获得商业授权和技术合作,请联系【客服

本文链接:http://www.vipzhuanli.com/pat/books/202011404180.1/2.html,转载请声明来源钻瓜专利网。

×

专利文献下载

说明:

1、专利原文基于中国国家知识产权局专利说明书;

2、支持发明专利 、实用新型专利、外观设计专利(升级中);

3、专利数据每周两次同步更新,支持Adobe PDF格式;

4、内容包括专利技术的结构示意图流程工艺图技术构造图

5、已全新升级为极速版,下载速度显著提升!欢迎使用!

请您登陆后,进行下载,点击【登陆】 【注册】

关于我们 寻求报道 投稿须知 广告合作 版权声明 网站地图 友情链接 企业标识 联系我们

钻瓜专利网在线咨询

周一至周五 9:00-18:00

咨询在线客服咨询在线客服
tel code back_top