聲源辨別及定位的并行化方法的研究與實現(xiàn).pdf

1、隨著“互聯(lián)網+”和大數(shù)據(jù)時代的到來，智能終端的語音交互體驗廣受關注，三維立體聲音在實時人機交互中占有重要地位，聲源辨別及定位技術被廣泛應用于民用和軍事領域，具有良好的發(fā)展前景。聲源辨別定位算法較高的計算復雜度與較大的數(shù)據(jù)處理規(guī)模，制約了其應用的實時性。為此本文設計了聲源辨別及定位的并行化方法，基于拾音陣列和GPU并行計算開展了如下工作：
　　（1）以現(xiàn)有聲源辨別及定位方法為基礎，研究了語音信號預處理的相關技術，介紹了聲紋辨別與聲源

2、定位的常用方法，分析了基于拾音陣列的聲源辨別及定位模型。
　　（2）在傳統(tǒng)聲紋辨別神經網絡的基礎上，引入深度學習技術，設計了基于深度信念網絡（DBN）的聲紋辨別模型，克服了傳統(tǒng)神經網絡學習能力不足的缺點；給出了針對目標范圍內聲源辨別的改進方法。
　　（3）在原有TDOA聲源定位模型中，將信號的包絡分析技術融入時延估計算法中，設計了基于包絡匹配法的廣義互相關時延估計算法，研究對比了不同聲源定位模型的位置解算方法及其性能；利用拾

3、音陣列的位置特性，研究了基于時頻掩蔽的目標語音分離和增強方法。
　　（4）針對語音信號處理具有獨立性強、方法一致的特點，使用基于 CUDA架構的并行計算方法，分別對 DBN模型的訓練過程、時延估計中的信號分析和信號融合的時頻掩蔽算法等操作進行并行化改進，提高了辨別定位方法的處理速度。
　　實驗表明，基于拾音陣列的聲源辨別及定位的并行化方法能有效實現(xiàn)對目標聲源身份的辨別和位置的確定，抗噪性能較好，并行算法的效率有了明顯提高，滿