基于卷积神经网络的语音增强算法研究

《基于卷积神经网络的语音增强算法研究》由会员上传分享，免费在线阅读，更多相关内容在学术论文-天天文库。

1、工程硕士学位论文基于卷积神经网络的语音增强算法研究作者姓名陈国强工程领域软件工程校内指导教师汤德佑副教授校外指导教师沈顺七高级工程师所在学院软件学院论文提交日期2018年3月ResearchonSpeechEnhancementAlgorithmBasedonConvolutionalNeuralNetworkADissertationSubmittedfortheDegreeofMasterCandidate：ChenGuoqiangSupervisor：AssociateProf.TangDeyouS.E.ShenShunqiSouthChinaUniver

2、sityofTechnologyGuangzhou,China分类号：TP3学校代号：10561学号：201521034813华南理工大学硕士学位论文基于卷积神经网络的语音增强算法研究作者姓名：陈国强申请学位级别：工程硕士工程领域名称：软件工程校内指导教师姓名、职称：汤德佑副教授校外指导教师姓名、职称：沈顺七高级工程师论文形式：□产品研发□工程设计应用研究□工程/项目管理□调研报告研究方向：软件工程技术论文提交日期：2018年3月15日论文答辩日期：2018年3月19日学位授予单位：华南理工大学学位授予日期：年月日答辩委员会成员：主席：奚建清委员：张平健、陈虎

3、、汤德佑、潘勇摘要在人工智能越来越成熟的今天，语音技术已成为一个关键的人机交互接口。然而现实生活中的各种背景噪声，严重地干扰了语音交互。为提高语音交互效果需要进行语音增强，过滤掉语音交互中的噪声信号，提高沟通语音的清晰度、理解度和流畅度。传统的语音增强算法中，谱减法存在着出现“音乐噪声”的缺陷，其他算法也存在着难以处理非平稳性噪声等弊端。针对此，本文基于平稳快速递归最小二乘法（SFTRLS）与卷积神经网络（CNN）对语音增强算法展开研究，论文主要贡献如下：（1）提出一种基于CNN的噪声识别算法。该算法针对不同种类的噪声对语音信号造成不同影响，识别出环境噪声的种类

4、参数，让增强模型可适用于不同的噪声环境，提高算法的自适应能力。实验结果表明，CNN的噪声识别率高达99.97%，相比于基于KNN模型、支持向量机的噪声识别算法，本文所提的噪声分类算法效果更佳。（2）提出一种结合CNN与SFTRLS的语音增强模型--SFTRLS-CNN。该模型以噪声识别的输出为输入，利用SFTRLS算法收敛性能和对非平稳噪声抑制性比一般传统算法效果更好以及对遗忘因子依赖较强的特点，通过线下训练学习到SFTRLS针对每种噪声处理的最佳遗忘因子。在线上运用中，算法匹配到最佳的遗忘因子系数，然后通过SFTRLS对含噪语音进行增强处理。实验表明，该算法的

5、学习可达到99.40%的准确率；同时相比一般的SFTRLS，语音感知质量评价PESQ值(主观语音质量评估值)更高，失真程度也更小。关键词：语音增强;卷积神经网络;递归最小二乘算法;噪声识别;遗忘因子IAbstractToday,artificialintelligenceismoreandmorematureandvoicetechnologyhasbecomeakeyinterfaceforhuman-computerinteraction.However,variousbackgroundnoiseinreallifeseriouslyinterferest

6、hevoiceinteraction.Inordertoimprovethevoiceinteractioneffect,voiceenhancementisneededtofilteroutthenoisesignalsinthevoiceinteractionsoastoimprovetheclarity,comprehensionandfluencyofthevoicecommunication.Intraditionalspeechenhancementalgorithms,spectralsubtractionhasthedefectof"musicn

7、oise".Otheralgorithmsalsohavesomedisadvantagessuchasdifficultyindealingwithnon-stationarynoiseandsoon.Inviewofthis,thispapermakeareacheronspeechenhancementalgorithmbasedonsmoothfastrecursiveleastsquares(SFTRLS)andconvolutionalneuralnetwork(CNN).Themaincontributionsofthisdissertationa

8、reasfollows: