[发明专利]一种数据处理方法、装置、平台及存储介质

说明书

本发明实施例提供了一种数据处理方法、装置、平台及存储介质，其中方法包括：获取含噪信号的幅度谱信息、语音信号的幅度谱信息和噪声信号的幅度谱信息，根据含噪信号的幅度谱信息和语音信号的幅度谱信息确定标准增益，根据含噪信号的幅度谱信息和噪声信号的幅度谱信息确定谱间相关系数，利用该谱间相关系数、标准增益和标准增益的根号下增益即可得到目标增益，目标增益用于作为训练目标对降噪网络模型进行训练，从而可以按照含噪信号与噪声信号之间的谱间相关系数对标准增益和根号下增益进行自适应的融合，具备良好的降噪效果，并且具有广泛适用性。

技术领域

本发明涉及计算机技术领域，尤其涉及一种数据处理方法、装置、平台及存储介质。

背景技术

在机器学习方法中，如深度神经网络(Deep Neural Networks，DNN)、循环神经网络(Recurrent Neural Networks，RNN)和长短记忆(Long Short Term Memory，LSTM)神经网络常采用标准增益或标准增益的根号下增益作为网络模型的训练目标，其中，根号下增益去噪量不足，但对语音信号的能量保留较好，而直接使用标准增益会产生较多的去噪量，但容易引起语音成分的损伤。目前的解决方案是对标准增益和根号下增益求平均值，从而求取一个折中值作为训练目标，或者，选取一个0到1之间的数值，利用该数值对标准增益和根号下增益进行融合处理。然而，利用取平均运算对两种增益进行融合，并不能有效的同时顾及到标准增益和根号下增益的优劣性；采用固定数值的一阶平滑方案的效果过于依赖固定阈值的选择，同时固定阈值的选取也是经验性的并不具有广泛适用性。

发明内容

本发明实施例提供一种数据处理方法、装置、平台及存储介质，可以按照含噪信号与噪声信号之间的谱间相关系数对标准增益和根号下增益进行自适应的融合，具备良好的降噪效果，并且具有广泛适用性。

第一方面，本发明实施例提供了一种数据处理方法，所述方法包括：

获取含噪信号的幅度谱信息、语音信号的幅度谱信息和噪声信号的幅度谱信息，其中，所述含噪信号包括所述语音信号和所述噪声信号；

根据所述含噪信号的幅度谱信息和所述语音信号的幅度谱信息确定标准增益；

根据所述含噪信号的幅度谱信息和所述噪声信号的幅度谱信息确定谱间相关系数；

利用所述谱间相关系数、所述标准增益和所述标准增益的根号下增益得到目标增益，所述目标增益用于作为训练目标对降噪网络模型进行训练。

第二方面，本发明实施例提供了一种数据处理装置，所述装置包括：

获取模块，用于获取含噪信号的幅度谱信息、语音信号的幅度谱信息和噪声信号的幅度谱信息，其中，所述含噪信号包括所述语音信号和所述噪声信号；

确定模块，用于根据所述含噪信号的幅度谱信息和所述语音信号的幅度谱信息确定标准增益；

所述确定模块，还用于根据所述含噪信号的幅度谱信息和所述噪声信号的幅度谱信息确定谱间相关系数；

所述确定模块，还用于利用所述谱间相关系数、所述标准增益和所述标准增益的根号下增益得到目标增益，所述目标增益用于作为训练目标对降噪网络模型进行训练。

第三方面，本发明实施例提供了一种数据处理平台，所述数据处理平台包括处理器、网络接口和存储装置，所述处理器、所述网络接口和所述存储装置相互连接，其中，所述网络接口受所述处理器的控制用于收发数据，所述存储装置用于存储计算机程序，所述计算机程序包括程序指令，所述处理器被配置用于调用所述程序指令，用于执行第一方面所述的数据处理方法。

第四方面，本发明实施例提供了一种计算机存储介质，该计算机存储介质中存储有程序指令，该程序指令被执行时，用于实现第一方面所述的数据处理方法。