[发明专利]一种利用CNN的U-NET结构进行远场语音去混响的方法

权利要求书

1.一种利用CNN的U-NET结构进行远场语音去混响的方法，其特征在于，包括以下步骤：

步骤一：数据的特征提取；

预加重：将数据集中任意一组语音信号s(n)通过高通滤波器，

加窗：取25ms为一帧，并使用汉宁窗；

快速傅里叶变换(FFT)：对每一帧进行FFT变换，从时域数据转变为频域数据，并计算谱线能量；

Mel滤波：把求出的每帧谱线能量通过Mel滤波器，并计算在Mel滤波器中的能量；

计算DCT倒谱：把Mel滤波器中的能量取对数后计算DCT，就可以得到Mel频率倒谱系数MFCC；

步骤二：前端特征增强的神经网络框架的设计；

使用步骤二中得到的MFCC特征作为输入，卷积层的宽设置为MFCC的维度，卷积层的高设置为11，然后设置卷积层的filter大小分别为[12,12,24,24,32,32,24,24,12,12]，相当于一个encoder-decoder的网络结构，同时使用Resnet的结构连接了encoder和decoder，即将第二和第四个卷积层分别和第七个和第九个的输出相加，将输入的11帧的特征直接整合成一帧来和U-NET网络的输出进行拼接，添加两个全连接神经网络，通过输出层输出干净语音的MFCC特征；

步骤三：语音识别模型的训练及其解码；

使用干净语音的MFCC特征进行归一化，然后求其一阶差分和二阶差分，将进行差分后的特征来进行单因素以及三音素训练，使用数据集中多场景下进行语音去混响之后MFCC特征进行声学模型的训练，将去混响之后的测试集数据进行解码；

所述数据集为2014年的REVERB Challenge数据集；

所述步骤一中高通滤波器的函数关系可以表示为：H(z)＝1-az^-1([a∈[0.9,1])，a值取0.95；

所述步骤二中使用的损失函数为MSE，损失函数如下所示：

其中Y表示神经网络的MFCC特征，XC表示干净语音的MFCC特征；

所述步骤二中输出干净语音的MFCC特征为一帧的特征；

所述步骤二中作为输入的MFCC特征为上下文各五帧的MFCC特征；

所述步骤二中两个全连接神经网络的神经元个数均为1024。