[发明专利]一种空基指控环境强噪音抑制方法

权利要求书

1.一种空基指控环境强噪音抑制方法，其特征在于，包括：

步骤一、优化空基指控的麦克风阵列，通过麦克风阵列采集第一语音信号以及发动机机械噪声，所述第一语音信号通过超指向波束形成器进行处理，得到指向飞行员嘴部的降噪后的第二语音信号；

步骤二、通过自适应滤波器去除所述第二语音信号中的所述发动机机械噪声，得到第三语音信号；

步骤三、进行深度学习降噪模型训练，通过所述深度学习降噪模型对所述第三语音信号进行座舱噪声抑制处理，得到第四语音信号，将所述第四语音信号发送给识别引擎。

2.根据权利要求1所述的空基指控环境强噪音抑制方法，其特征在于，步骤一中，所述优化空基指控的麦克风阵列包括：在驾驶员头盔耳麦拾音位置设置线状均布的四颗麦克风，并在驾驶员头盔侧面安装一颗麦克风。

3.根据权利要求1所述的空基指控环境强噪音抑制方法，其特征在于，步骤一中，所述超指向波束形成器为：

假设有M个全向麦克风的均匀线性阵列，阵元间距为δ，在各向同性噪声的存在下，设计超指向波束形成器，其在端射方向的阵列增益达到M²，阵列增益定义如下：

δ_ij＝(i-j)δ

其中，d_L(ω,θ)为阵列导向矢量，θ为期望方向；

使得阵列增益ζ_L,dn[h(ω)]最大的滤波器由下式求得：

其中，为任意复数，通过无失真准则约束，得到最大信噪比滤波器，即超指向波束形成器为：

4.根据权利要求3所述的空基指控环境强噪音抑制方法，其特征在于，还包括对所述超指向波束形成器进行处理得到鲁棒的超指向波束形成器：

获取白噪声增益：

在约束白噪声增益的前提下最大化指向性因数，等价于将下式最小化：

其中，ε为拉格朗日乘子，通过无失真准则约束，得到鲁棒的超指向波束形成器：

5.根据权利要求4所述的空基指控环境强噪音抑制方法，其特征在于，步骤二中，所述通过自适应滤波器去除所述第二语音信号中的所述发动机机械噪声，得到第三语音信号包括：

获取自适应滤波器；

通过自适应滤波器去除所述第二语音信号中的所述发动机机械噪声，得到第三语音信号：

e(n)＝d(n)-y(n)

其中，x(n)为发动机机械噪声，d(n)为第二语音信号，h(n)为自适应滤波器，e(n)为第三语音信号，N为滤波器长度。

6.根据权利要求1所述的空基指控环境强噪音抑制方法，其特征在于，步骤三中，所述进行深度学习降噪模型训练包括：

利用信号处理模块输出的混合语音y和对应的纯净语音s对深度学习降噪模型进行训练：

提取混合语音y的声学特征F：

F＝log(mel(STFT(y)))

其中，STFT为短时傅里叶变换，mel为梅尔谱特征；

对声学特征F进行标准化：

F＝(F-mean)/var

其中，mean为训练集特征的平均值，var为训练集特征的标准差；

将标准化后的声学特征F作为输入送入深度学习降噪模型，利用深度学习降噪模型的输出s_以及实际纯净语音s之间的MSE误差e指导模型参数的更新；

e＝||s_-ISTFT(STFT(y)*model(F))||²

其中，ISTFT为逆短时傅里叶变换，model为模型，*为点乘；

直到MSE误差e的值趋于稳定，深度学习降噪模型收敛，将深度学习降噪模型保存。

7.根据权利要求6所述的空基指控环境强噪音抑制方法，其特征在于，还包括对所述深度学习降噪模型进行模型压缩，具体为：

对深度学习降噪模型所有参数使用16bit定点化方法来加快计算速度；

对矩阵采用SVD分解来降低计算量。