基于計算聽覺場景分析和深度神經(jīng)網(wǎng)絡(luò)的混響語音分離.pdf

1、在自然聽覺環(huán)境中，語音信號被噪聲源和混響所污染，人類擁有強大的聽覺感知能力，在各種不利的條件下，也能夠分辨出自己感興趣的聲音。利用計算機模擬這一感知能力是語音信號處理領(lǐng)域的熱點課題。解決真實環(huán)境中語音分離的問題對很多應(yīng)用必不可少，比如自動語音識別，音頻信息檢索和聽覺恢復(fù)技術(shù)。
　　封閉空間中，聲音信號在各墻面或障礙物發(fā)生反射和衍射形成混響。到達麥克風(fēng)的信號不僅有直達聲還有前期反射和后期反射?；祉懴喈?dāng)于直達聲和房間脈沖響應(yīng)的卷積，在

2、時域和頻域扭曲了語音的聲譜。啟發(fā)于人類聽覺場景分析，基于感知原則的計算聽覺場景分析可用來處理語音分離問題。
　　本文對混響環(huán)境下的語音分離問題進行研究，針對混響環(huán)境下語音信號諧波結(jié)構(gòu)被破壞，傳統(tǒng)的語音分離算法不穩(wěn)定的問題，提出了兩種混響語音分離的系統(tǒng)模型。本文的創(chuàng)新點主要有：
　　1．計算聽覺場景分析模擬人類聽覺感知能力，根據(jù)理想二值模原理，可以提取出目標語音信號?；祉憲l件下，基音的檢測準確率降低，導(dǎo)致系統(tǒng)的性能變差。針對這

3、一問題，本文提出基于隱馬爾可夫模型的多基音檢測算法，并在時頻單元標記環(huán)節(jié)采用似然比檢驗選擇正確的訓(xùn)練模型，提高單元標記的準確性。
　　2．深度神經(jīng)網(wǎng)絡(luò)在語音識別和人工智能上展現(xiàn)出強大的學(xué)習(xí)能力，本文提出通過訓(xùn)練DNN模型學(xué)習(xí)“污染”語音和純凈語音之間的頻譜映射進行反混響和去噪。通過提取一連串的頻譜特征，融合相鄰幀時間動態(tài)信息，利用DNN進行編碼頻譜轉(zhuǎn)換，恢復(fù)純凈語音量級頻譜圖，最后重構(gòu)時域信號。此外，本文還提出使用DNN的特征分類