[發明專利]基于深度學習的語音分離方法在審
| 申請號： | 201910337555.8 | 申請日： | 2019-04-25 |
| 公開（公告）號： | CN110148419A | 公開（公告）日： | 2019-08-20 |
| 發明（設計）人： | 孫林慧;陶澤 | 申請（專利權）人： | 南京郵電大學 |
| 主分類號： | G10L21/0208 | 分類號： | G10L21/0208;G10L21/0264;G10L21/0308;G10L25/30 |
| 代理公司： | 南京蘇科專利代理有限責任公司 32102 | 代理人： | 姚姣陽 |
| 地址： | 210003 江蘇*** | 國省代碼： | 江蘇;32 |
| 權利要求書： | 查看更多 | 說明書： | 查看更多 |
| 摘要： | |||
| 搜索關鍵詞： | 測試集 訓練集 語音 歸一化處理 訓練模型 算法 神經網絡 預處理 傅里葉變換 分離效果 信號通過 真實環境 可懂度 信噪比 學習 預測 聯合 | ||
1.一種基于深度學習的語音分離方法，其特征在于，包括如下步驟：
S1：將含有多個語音的信號劃分為訓練集信號和測試集信號，并將訓練集信號與測試集信號分別進行預處理；然后將預處理后的訓練集信號與預處理后的測試集信號分別進行傅里葉變換，得到訓練集信號的幅度和相位、及測試集信號的幅度和相位；之后，分別將訓練集信號的幅度和相位、及測試集信號的幅度和相位均進行歸一化處理；
S2：將步驟S1中歸一化處理后訓練集信號的幅度和相位通過訓練模型進行訓練，且訓練模型的算法采用深度神經網絡的adam算法；
S3：將所述步驟S1中測試集信號的幅度和相位通過所述訓練模型分別得到預測幅度值和預測相位值；接著，將所述預測幅度值和預測相位值通過傅里葉反變換得到預測信號進行輸出，完成語音分離。
2.根據權利要求1所述的基于深度學習的語音分離方法，其特征在于：所述訓練集信號包括混合訓練集信號與純凈訓練集信號，所述測試集信號包括混合測試集信號與純凈測試集信號。
3.根據權利要求1所述的基于深度學習的語音分離方法，其特征在于：所述訓練集信號與測試集信號的占比為97：3。
4.根據權利要求1所述的基于深度學習的語音分離方法，其特征在于：所述訓練集信號與測試集信號均設置的語音為256的倍數且不超過原語音長度。
5.根據權利要求1所述的基于深度學習的語音分離方法，其特征在于：所述步驟S11中的預處理包括分幀、及疊加漢明窗。
6.根據權利要求5所述的基于深度學習的語音分離方法，其特征在于：所述漢明窗的長度為256。
7.根據權利要求1所述的基于深度學習的語音分離方法，其特征在于：所述深度神經網絡的adam算法為動量梯度下降算法與RMSprop算法的結合。
8.根據權利要求7所述的基于深度學習的語音分離方法，其特征在于：所述動量梯度下降算法的計算公式為：W＝W-αdW，b＝b-αdb，
vdW＝β1vdW+(1-β1)dW，vdb＝β1vdb+(1-β1)db
其中，α為學習率，β1為指數加權值；
所述RMSprop算法的計算公式為：
SdW＝β2SdW+(1-β2)dW2，Sdb＝β2Sdb+(1-β2)db2，
則，
該專利技術資料僅供研究查看技術是否侵權等信息，商用須獲得專利權人授權。該專利全部權利屬于南京郵電大學，未經南京郵電大學許可，擅自商用是侵權行為。如果您想購買此專利、獲得商業授權和技術合作，請聯系【客服】
本文鏈接：http://www.szxzyx.cn/pat/books/201910337555.8/1.html，轉載請聲明來源鉆瓜專利網。
