[发明专利]声音识别系统以及声音识别装置

摘要

本发明提出了一种声音识别装置及系统，包括降噪抑制模块，对实时获取的用户声音或已存储的其它声音进行噪声抑制，获得降噪后的声音信息；所述噪声抑制模块采用了谱去除法和/或学习同定法和/或降噪自动编码器至少之一进行噪声抑制；转化模块，将所述声音信息进行拉普拉斯变换，得到频谱信息；特征提取模块，获得所述声音信息的梅尔频谱倒数和线性倒谱系数，得到描述所述声音信息的特征向量；模型训练模块，利用训练样本构建声音识别模型，所述声音识别模型的训练利用转化模块获得的频谱信息及特征提取模块提取的特征向量，将由所述梅尔频谱倒数和所述线性倒谱系数得到的所述特征向量输入SVM层；声音识别模块，利用训练好的所述声音识别模块对所述声音信息进行识别。

主权项

1.一种声音识别装置，其特征在于，包括以下模块：降噪抑制模块，对实时获取的用户声音或已存储的其它声音进行噪声抑制，获得降噪后的声音信息；所述噪声抑制模块采用了谱去除法和/或学习同定法和/或降噪自动编码器至少之一进行噪声抑制；转化模块，将所述声音信息进行拉普拉斯变换，得到频谱信息h(t,f)，其中t表示时间，f表示频率；特征提取模块，获得所述声音信息的梅尔频谱倒数和线性倒谱系数，得到描述所述声音信息的特征向量；模型训练模块，利用训练样本构建声音识别模型，所述声音识别模型的训练利用转化模块获得的频谱信息及特征提取模块提取的特征向量，将由所述梅尔频谱倒数和所述线性倒谱系数得到的所述特征向量输入SVM层；声音识别模块，利用训练好的所述声音识别模型对所述声音信息进行识别；所述模型训练模块采用了多层神经网络，所述多层神经网络结构，包括输入层、SVM层、卷积层、池化层、全连接层，所述输入层来自拉普拉斯变换的频谱信息，所述SVM层的输入来自所述梅尔频谱倒数和所述线性倒谱系数得到的特征向量，卷积层采用5*5的卷积核，8个滤波器；所述池化层的池化窗口大小为3*3，通道数为16；所述全连接层采用16个滤波器，3*3的卷积核；全连接层的输入来自池化层的输出；所述池化层的池化方法如下：x^e＝f(u^e+φ(u^e))其中，x^e表示当前层的输出，u^e表示激活函数的输入，f()表示激活函数，w^e表示当前层的权重，φ表示损失函数，x^e‑1表示上一层的输出，b^e表示偏置，δ表示常数；采用如下方式对所述多层神经网络模型进行学习更新，以提高对声音识别的精度：将获得的原始样本数据映射成16维特征向量；计算校正函数，所述校正函数由激励函数及第一惩罚函数融合而成，所述的激励函数为：其中，N表示样本数据集的大小，y_i表示样本x_i对应的标签，a为神经网络模型的识别输出；所述第一惩罚函数如下：N表示所述样本数据集的大小，i取值1～N，y_i表示样本x_i对应的标签；W_yi表示样本x_i在其标签y_i处的权重，b向量包括b_yi和b_j，b_yi表示样本x_i在其标签y_i处的偏差，b_j表示输出节点j处的偏差；最终的惩罚函数为：其中0.4≤μ,β≤0.6。