[发明专利]基于深度学习的语音分离方法

权利要求书

1.一种基于深度学习的语音分离方法，其特征在于，包括如下步骤：

S1：将含有多个语音的信号划分为训练集信号和测试集信号，并将训练集信号与测试集信号分别进行预处理；然后将预处理后的训练集信号与预处理后的测试集信号分别进行傅里叶变换，得到训练集信号的幅度和相位、及测试集信号的幅度和相位；之后，分别将训练集信号的幅度和相位、及测试集信号的幅度和相位均进行归一化处理；

S2：将步骤S1中归一化处理后训练集信号的幅度和相位通过训练模型进行训练，且训练模型的算法采用深度神经网络的adam算法；

S3：将所述步骤S1中测试集信号的幅度和相位通过所述训练模型分别得到预测幅度值和预测相位值；接着，将所述预测幅度值和预测相位值通过傅里叶反变换得到预测信号进行输出，完成语音分离。

2.根据权利要求1所述的基于深度学习的语音分离方法，其特征在于：所述训练集信号包括混合训练集信号与纯净训练集信号，所述测试集信号包括混合测试集信号与纯净测试集信号。

3.根据权利要求1所述的基于深度学习的语音分离方法，其特征在于：所述训练集信号与测试集信号的占比为97：3。

4.根据权利要求1所述的基于深度学习的语音分离方法，其特征在于：所述训练集信号与测试集信号均设置的语音为256的倍数且不超过原语音长度。

5.根据权利要求1所述的基于深度学习的语音分离方法，其特征在于：所述步骤S11中的预处理包括分帧、及叠加汉明窗。

6.根据权利要求5所述的基于深度学习的语音分离方法，其特征在于：所述汉明窗的长度为256。

7.根据权利要求1所述的基于深度学习的语音分离方法，其特征在于：所述深度神经网络的adam算法为动量梯度下降算法与RMSprop算法的结合。

8.根据权利要求7所述的基于深度学习的语音分离方法，其特征在于：所述动量梯度下降算法的计算公式为：W＝W-αdW，b＝b-αdb，

v_dW＝β₁v_dW+(1-β₁)dW，v_db＝β₁v_db+(1-β₁)db

其中，α为学习率，β₁为指数加权值；

所述RMSprop算法的计算公式为：

S_dW＝β₂S_dW+(1-β₂)dW²，S_db＝β₂S_db+(1-β₂)db²，

则，