[發(fā)明專利]一種基于BP網(wǎng)絡(luò)的噪聲分類方法

有效

• 申請?zhí)枺?/td>: 201910960086.5
• 申請日: 2019-10-10
• 公開（公告）號: CN110827844B
• 公開（公告）日: 2022-04-05
• 發(fā)明（設(shè)計）人: 張濤;耿彥章;邵洋洋
• 申請（專利權(quán)）人: 天津大學(xué)
• 主分類號: G10L21/0208
• 分類號: G10L21/0208;G10L21/0216;G10L25/24;G10L25/27;G10L25/30
• 代理公司: 天津市北洋有限責(zé)任專利代理事務(wù)所 12201
• 代理人: 杜文茹

一種基于BP網(wǎng)絡(luò)的噪聲分類方法：對輸入的噪聲信號進(jìn)行預(yù)處理；對預(yù)處理后的每一幀噪聲信號分別進(jìn)行傅里葉變換得到噪聲信號功率譜；利用每一幀噪聲信號功率譜分別計算每一幀噪聲信號的梅爾頻率倒譜系數(shù)及梅爾頻率倒譜系數(shù)的一階差分；計算每一幀噪聲信號的伽瑪通頻率倒譜系數(shù)；將每一幀噪聲信號的梅爾頻率倒譜系數(shù)、梅爾頻率倒譜系數(shù)的一階差分和伽瑪通頻率倒譜系數(shù)組合作為該幀噪聲信號的聯(lián)合特征，將全部幀噪聲信號的聯(lián)合特征中的一部分作為訓(xùn)練數(shù)據(jù)，另一部分作為測試數(shù)據(jù)；分別訓(xùn)練一級BP網(wǎng)絡(luò)和二級BP網(wǎng)絡(luò)；將一級BP網(wǎng)絡(luò)和二級BP網(wǎng)絡(luò)聯(lián)合進(jìn)行測試，得到最終的噪聲信號分類結(jié)果。本發(fā)明有著更高的噪聲分類準(zhǔn)確率。

技術(shù)領(lǐng)域

本發(fā)明涉及一種噪聲分類方法。特別是涉及一種基于BP網(wǎng)絡(luò)的噪聲分類方法。

背景技術(shù)

在語音信號的處理過程中，噪聲污染的問題不可避免。隨著數(shù)字語音信號在科研和生活中的廣泛應(yīng)用，噪聲對數(shù)字語音信號的影響愈發(fā)明顯，如何有效地抑制噪聲，提高語音信號的質(zhì)量和可懂度成為眾多學(xué)者研究的熱點。而在語音增強(qiáng)技術(shù)中，一大研究難點則是噪聲的來源眾多。不同噪聲的統(tǒng)計特性不盡相同，因此在實際應(yīng)用中，為了達(dá)到更好的信號處理效果，需根據(jù)應(yīng)用場合，對不同噪聲特性的噪聲進(jìn)行區(qū)別處理。

一般來說，解決噪聲分類問題的關(guān)鍵技術(shù)點主要有兩個，一是要提取何種特征用于噪聲類型的區(qū)分；二是對提取的特征運用何種分類技術(shù)。對于第一個關(guān)鍵技術(shù)點，目前常用的噪聲特征有自適應(yīng)子波特征、短時自相關(guān)函數(shù)(Short Auto-correlation Function,SACF)、bark域能量分布、梅爾倒譜系數(shù)(Mel Frequency Cepstrum Coefficient,MFCC)、一階差分梅爾倒譜系數(shù)(first-order MFCC,ΔMFCC)、離散傅里葉系數(shù)、線性預(yù)測編碼系數(shù)以及伽馬通濾波器系數(shù)等。對于噪聲分類方法，目前常用的技術(shù)包括基于隱馬爾科夫模型(Hidden Markov Model,HMM)的噪聲分類算法、基于混合高斯模型(Gaussian MixtureModel,GMM)的噪聲分類算法、基于支持向量機(jī)(Support Vector Machine,SVM)的噪聲分類算法以及基于神經(jīng)網(wǎng)絡(luò)的噪聲分類算法等。

然而目前所提出噪聲分類方法存在分類準(zhǔn)確低的情況。由于噪聲分類的準(zhǔn)確性能會直接影響信號處理的性能，那么提出一種高準(zhǔn)確的噪聲分類方法則成為了信號處理領(lǐng)域的一個新挑戰(zhàn)。

發(fā)明內(nèi)容

本發(fā)明所要解決的技術(shù)問題是，提供一種具有更高分類準(zhǔn)確率的基于BP網(wǎng)絡(luò)的噪聲分類方法。

本發(fā)明所采用的技術(shù)方案是：一種基于BP網(wǎng)絡(luò)的噪聲分類方法，包括如下步驟：

1)對輸入的噪聲信號進(jìn)行預(yù)處理，包括分幀以及加窗處理；

2)對預(yù)處理后的每一幀噪聲信號分別進(jìn)行傅里葉變換得到噪聲信號功率譜；

3)利用所述的每一幀噪聲信號功率譜分別計算每一幀噪聲信號的梅爾頻率倒譜系數(shù)及梅爾頻率倒譜系數(shù)的一階差分；

4)計算每一幀噪聲信號的伽瑪通頻率倒譜系數(shù)；

5)將每一幀噪聲信號的梅爾頻率倒譜系數(shù)、梅爾頻率倒譜系數(shù)的一階差分和伽瑪通頻率倒譜系數(shù)組合作為該幀噪聲信號的聯(lián)合特征，將全部幀噪聲信號的聯(lián)合特征中的一部分作為訓(xùn)練數(shù)據(jù)，另一部分作為測試數(shù)據(jù)；

6)訓(xùn)練一級BP網(wǎng)絡(luò)；

7)訓(xùn)練二級BP網(wǎng)絡(luò)；

8)將一級BP網(wǎng)絡(luò)和二級BP網(wǎng)絡(luò)聯(lián)合進(jìn)行測試，得到最終的噪聲信號分類結(jié)果。

步驟2)是采用如下公式對每一幀噪聲信號進(jìn)行傅里葉變換：

X(i,k)＝FFT[x_i(n)]