联合贝叶斯估计与深度神经网络的语音增强方法

目前,深度学习的研究方法已经成为了语音增强算法的新趋势,而输入的特征是影响增强效果的关键因素.实验表明,输入增强过的语音特征相对原始特征能更好地提升神经网络的语音增强效果.因此,本文首先提出一种改进的Chi分布下基于听觉感知广义加权的贝叶斯估计器,接着将改进的贝叶斯估计器作为深度神经网络的输入特征提取器,进而得到一种联合深度神经网络与Chi分布下基于听觉感知广义加权的贝叶斯估计器预处理的新型网络结构.实验仿真证明,提出的联合算法较传统语音增强算法与基于深度神经网络的语音增强算法在各个噪声环境下,各种性能指标均有了明显的提升.

基于广义加权贝叶斯估计的语音增强算法研究

相对于传统的瑞利假设,语音的离散傅里叶变换(DFT)系数更好地服从Chi分布。为了寻求语音失真度和噪声抑制程度之间的平衡,先在语音DFT系数服从Chi分布假设的条件下推导出一个基于听觉感知特性广义加权的贝叶斯估计器。然后,将语音存在概率考虑进新推导出的贝叶斯估计器中,获得一个Chi先验下联合了语音存在概率的贝叶斯估计器。为了在语音的起始段抑制音乐噪声的产生,得到一个新型的混合先验信噪比估计器。仿真证明,提出的增强算法较传统算法在各种噪声环境下各种性能指标都有了较大的提高。