[发明专利]一种基于深度神经网络的语音环境降噪方法

说明书

本发明提供一种基于深度神经网络的语音环境降噪方法，包括如下步骤：步骤1：对语音信号进行预处理，其中语音信号包括训练语音信号和待降噪的语音信号；步骤2：设计RBF神经网络去噪模型；步骤3：获取步骤1中的训练语音信号，对步骤1建立的RBF神经网络降噪模型进行训练；步骤4：将步骤1中待降噪的语音信号发送至步骤3内训练完成的RBF神经网络降噪模型内进行降噪，并增强降噪后的语音信号且输出降噪增强后的语音信号；本发明相对BP神经网络在适应性、训练算法有效性、网络资源的利用率以及逼近能力等方面性能较好。

技术领域

本发明涉及降噪方法技术领域，具体为一种基于深度神经网络的语音环境降噪方法。

背景技术

近年来，人类老龄化的问题越来越突出，老年人听力障碍问题也受到广泛关注，助听器的研究和发展开始受到普遍的重视，作为听障者与外界信息交互的重要媒介，为了能让听障者听到高清晰的音频信息，提高听觉质量，而噪音的去除对于听障者而言显得尤为重要，。

目前，针对助听器的噪声有两种，一种是瞬时噪声，另一种是非瞬时噪声，对于瞬时噪声的抑制(TransientNoise Suppression，TNS)方法研究有两种，一种是基于最优修改的对数谱幅度估计(Opt imally Modified-Log Spectral Ampli tude，0M-LSA)算法，通过考虑先验信噪比和语音信号中噪声存在的不确定性，利用最小值约束递归平均算法(Minima Control led RecursiveAveraging，MCRA)进行噪声谱估计，推导计算得出频谱最优增益函数，进一步在频域上找到纯净语音信号的最优对数谱估计，通过IFFT得到将瞬时噪声抑制后的语音；另一种是基于时域的递归指数加权最小二乘法(ExponentialWeightedLeast Square，EWLS)，对带噪声的语音信号进行检测和修复。

语音去噪有着广泛的应用，寻求一种有效的算法对带噪语音信号进行处理，以达到较好的抗噪效果，具有重要的研究意义。目前的语音去噪算法主要有参数方法、非参数方法(如谐减法)、统计方法(如最小均方误差估计)以及其他方法(如小波变换+-3]、hilbert-huang']、人工神经网络[5＝门])。其中，现有的BP神经网络在适应性、训练算法有效性、网络资源的利用率以及逼近能力等方面性能的较差。

发明内容

本发明要解决的技术问题是克服现有的缺陷，提供一种基于深度神经网络的语音环境降噪方法，以解决上述技术背景中BP神经网络在适应性、训练算法有效性、网络资源的利用率以及逼近能力等方面性能较差的缺点。

为实现上述目的，本发明提供如下技术方案：一种基于深度神经网络的语音环境降噪方法，包括如下步骤：

步骤1：对语音信号进行预处理，其中语音信号包括训练语音信号和待降噪的语音信号；

步骤2：设计RBF神经网络去噪模型；

步骤3：获取所述步骤1中的训练语音信号，对步骤1建立的RBF神经网络降噪模型进行训练；

步骤4：将步骤1中待降噪的语音信号发送至步骤3内训练完成的RBF神经网络降噪模型内进行降噪，并增强降噪后的语音信号且输出降噪增强后的语音信号。

2.根据权利要求1所述的一种基于深度神经网络的语音环境降噪方法，其特征在于：所述步骤1中，所述预处理通过wavread读取格式为wav的语言信号，再通过enframe和hamming进行加窗分帧处理；所述分帧处理采用汉明窗对语音信号进行处理，且帧长为200个样本点。

3.根据权利要求1所述的一种基于深度神经网络的语音环境降噪方法，其特征在于：所述步骤2中，所述RBF神经网络包括输入层、隐含层和输出层，所述RBF神经网络通过径向基函数作为隐单元的“基”，构成隐含层空间，隐含层对输入矢量进行变换，将低维的模式输入数据变换到高维空间内，使低维空间内线性不分的问题在高维空间内线性可分。