[发明专利]基于神经网络的语音增强方法、装置、终端和介质

权利要求书

1.基于神经网络的语音增强方法，其特征在于，包括：

获取麦克风阵列的各阵元采集到的多路带噪语音信号；

对所述多路带噪语音信号采用快速独立分量分析算法fastICA进行解混，得到多路分离信号；

采用误差反向传播神经网络BPNN预测最佳过减因子；

根据神经网络预测的最佳过减因子，采用多窗谱谱减法对所述解混后信噪比最高的一路分离信号进行语音处理，得到语音增强信号。

2.如权利要求1所述的基于神经网络的语音增强方法，其特征在于，采用误差反向传播神经网络BPNN预测最佳过减因子具体包括：

确定误差反向传播神经网络BPNN的输入信号、输入层的节点数和输出层的节点数；

确定隐藏层的个数以及各隐藏层的节点数；

确定隐藏层的激活函数、网络训练函数和网络参数，所述网络参数包括神经网络训练的目标误差、显示中间结果的周期、最大迭代次数和动量因子；

根据输出层的输出数据得到最佳过减因子。

3.如权利要求2所述的基于神经网络的语音增强方法，其特征在于，所述确定误差反向传播神经网络BPNN的输入信号的具体方法包括：

将所述解混后信噪比最高的一路分离信号与其中任一阵元采集的带噪语音信号进行语音质量评价，得到对数似然比测度LLR、分段信噪比segSNR和感知语音质量评价PESQ；

将所述对数似然比测度LLR、分段信噪比segSNR和感知语音质量评价PESQ作为神经网络的三个输入；

将各阵元采集到的多路带噪语音信号分别与所述解混后信噪比最高的一路分离信号作比较，得到信噪比SNR1、SNR2…SNRn，将所述信噪比SNR1、SNR2…SNRn也作为神经网络的输入。

4.如权利要求2所述的基于神经网络的语音增强方法，其特征在于，所述各隐藏层的节点数通过如下方法确定：

假设n为输入层节点个数，m为输出层节点个数，a为1～10之间的常数，则隐藏层节点l的个数为：

5.基于神经网络的语音增强装置，其特征在于，包括：

第一获取模块，用于获取麦克风阵列的各阵元采集到的多路带噪语音信号；

分离模块，用于对所述多路带噪语音信号采用快速独立分量分析算法fastICA进行解混，得到多路分离信号；

预测模块，用于采用误差反向传播神经网络BPNN预测最佳过减因子；

语音增强模块，用于根据神经网络预测的最佳过减因子，采用多窗谱谱减法对所述解混后信噪比最高的一路分离信号进行语音处理，得到语音增强信号。

6.如权利要求5所述的基于神经网络的语音增强装置，其特征在于，所述预测模块具体包括：

第一确定模块，用于确定误差反向传播神经网络BPNN的输入信号、输入层的节点数和输出层的节点数；

第二确定模块，用于确定隐藏层的个数以及各隐藏层的节点数；

第三确定模块，用于确定隐藏层的激活函数、网络训练函数和网络参数，所述网络参数包括神经网络训练的目标误差、显示中间结果的周期、最大迭代次数和动量因子；

第二获取模块，用于根据输出层的输出数据得到最佳过减因子。

7.如权利要求6所述的基于神经网络的语音增强装置，其特征在于，所述第一确定模块具体用于：

将所述解混后信噪比最高的一路分离信号与其中任一阵元采集的带噪语音信号进行语音质量评价，得到对数似然比测度LLR、分段信噪比segSNR和感知语音质量评价PESQ；

将所述对数似然比测度LLR、分段信噪比segSNR和感知语音质量评价PESQ作为神经网络的三个输入；

将各阵元采集到的多路带噪语音信号分别与所述解混后信噪比最高的一路分离信号作比较，得到信噪比SNR1、SNR2…SNRn，将所述信噪比SNR1、SNR2…SNRn也作为神经网络的输入。