[发明专利]基于可分离深度自动编码技术的无监督噪声估计和语音增强方法

摘要

本发明公开了一种基于可分离深度自动编码技术的无监督噪声估计和语音增强方法，包括事前处理和对被未知噪声污染的语音增强，可以灵活运用于各类语音处理场景：不局限于语音内容所属的语言、不受限于说话人的变化、不受限于噪声的种类等，并与经典的基于平稳性假设的谱估计算法SS和MMSE相比，本发明不再依赖于这种平稳性假设，可以较准确的估计出平稳或突变噪声的频谱；与基于隐马尔可夫和线性预测系数的算法相比，本发明不需要指定所处理非平稳噪声类型；与基于低秩结构的噪声估计方法相比，本发明无需噪声具有低秩重复结构。

主权项

1.一种基于可分离深度自动编码技术的无监督噪声估计和语音增强方法，其特征在于包括事前处理和对被未知噪声污染的语音增强：所述事前处理的实现步骤为：步骤一，对干净语音时域信号s(n)，经过分帧加窗后，对每帧进行傅里叶变换并取模，得到该帧的幅度谱s；综合所有帧，就可得该干净语音时域信号s(n)的幅度谱S；步骤二，使用来自不同性别、不同说话人的大量语音信号的幅度谱S，通过非负矩阵分解，训练出一个能够表征语音信号的非负语音字典D，即求解如下优化问题：其中，KLD表示Kullback‑Leibler散度，D为所要求的非负字典，C为字典中各基函数的激活系数；步骤三，使用来自不同性别、不同说话人的大量语音信号的幅度谱S，训练出一个能够表征语音信号的深度自动编码机f(s)；其中，各个节点的激活函数采用反射线性单元激活函数σ(·)来确保重构谱的非负性，编码机的输出函数为：其中，分别为各层的系数和偏置，它们是待估参数，因此，训练的目标函数为：所述对被未知噪声污染的语音增强实现步骤为：步骤四，对输入的带噪语音时域信号x(n)，经过分帧加窗后，对每帧进行傅里叶变换并取模得到该帧的幅度谱x；步骤五，使用预先训练的非负语音字典D和预先训练好的深度自动编码机f(s)，该f(s)含参数的表述形式为f(W,b,S)，引入额外的深度自动编码机g(n)，将这三者联合起来对含噪语音进行建模；对含噪语音建立的模型中，所有不能被语音深度自动编码机f(s)有效表示的成分均被认为是噪声，用g(n)来表示；利用链式求导方法迭代更新语音基函数的系数向量和噪声模型中的未知参数，分别得到干净语音幅度谱和噪声谱的估计值；步骤六，将估计所得的干净语音幅度谱，使用带噪语音信号的相位，重构出增强后的语音信号