基于深度神經(jīng)網(wǎng)絡(luò)的語音分離方法大都在頻域上進行訓(xùn)練,并且在訓(xùn)練過程中往往只關(guān)注目標語音特征,不考慮干擾語音特征。為此,提出了一種基于生成對抗網(wǎng)絡(luò)聯(lián)合訓(xùn)練的語音分離方法。該方法以時域波形作為網(wǎng)絡(luò)輸入,保留了信號時延導(dǎo)致的相位信息。同時,利用對抗機制,使生成模型和判別模型分別訓(xùn)練目標語音和干擾語音的特征,提高了語音分離的有效性。實驗中,采用Aishell數(shù)據(jù)集進行對比測試。結(jié)果表明,本文所提方法在三種信噪比條件下都有良好的分離效果,能更好地恢復(fù)出目標語音中的高頻頻段信息。 

【文章來源】：信號處理. 2020,36(06)北大核心CSCD

【文章頁數(shù)】：7 頁

【文章目錄】：
1 引言
2 生成對抗網(wǎng)絡(luò)原理
3 基于生成對抗網(wǎng)絡(luò)聯(lián)合訓(xùn)練的語音分離方法
    3.1 聯(lián)合訓(xùn)練生成對抗網(wǎng)絡(luò)
    3.2 損失函數(shù)
4 仿真實驗及結(jié)果分析
    4.1 實驗數(shù)據(jù)
    4.2 實驗設(shè)置
    4.3 實驗結(jié)果與分析
5 結(jié)論


【參考文獻】：
期刊論文
[1]一種基于卷積神經(jīng)網(wǎng)絡(luò)的端到端語音分離方法[J]. 范存航,劉斌,陶建華,溫正棋,易江燕.  信號處理. 2019(04)
[2]利用深度全卷積編解碼網(wǎng)絡(luò)的單通道語音增強[J]. 時文華,張雄偉,鄒霞,孫蒙.  信號處理. 2019(04)
[3]基于WGAN的語音增強算法研究[J]. 王怡斐,韓俊剛,樊良輝.  重慶郵電大學(xué)學(xué)報(自然科學(xué)版). 2019(01)
[4]Single-Channel Speech Separation Based on Non-negative Matrix Factorization and Factorial Conditional Random Field[J]. LI Xu,TU Ming,WANG Xiaofei,WU Chao,FU Qiang,YAN Yonghong.  Chinese Journal of Electronics. 2018(05)



本文編號：3189083