基于多特征流结构深度神经网络的残留回声抑制方法技术

本发明专利技术公开了一种基于多特征流结构深度神经网络的残留回声抑制方法。该方法具体步骤为：(1)通过自适应滤波算法构造带有残留回声和背景噪声的带噪近端语音以及自适应滤波器输出信号；使用自适应滤波器输出信号或远端信号或以上两种信号，作为具有多特征流结构的神经网络模型的参考信号；(2)使用带噪语音信号和参考信号作为神经网络模型的输入特征；使用纯净的近端语音作为模型的训练目标，训练模型；(3)将训练完成的具有多特征流结构的神经网络模型作为后处理滤波器，对自适应滤波器处理后的信号中的残留回声和背景噪声进行抑制，增强近端说话人的音频信号。本发明专利技术能够在高残留回声的场景下，有效去除残留回声对近端语音的影响。

【技术实现步骤摘要】
基于多特征流结构深度神经网络的残留回声抑制方法
本专利技术属于回声抑制领域，具体涉及一种基于多特征流结构深度神经网络的非线性残留回声抑制方法。
技术介绍
在通信系统中，远端信号由扬声器系统转换为声信号后，经回声声学路径被传声器系统采集后将产生回声信号。回声信号将严重干扰语音通信的质量，并降低语音识别系统的准确性。抑制回声信号，提取近端说话人语音信号的技术称为回声抑制。典型的回声抑制方法是使用自适应线性声回声抵消(LAEC)算法匹配该声回声传递路径对应的传递函数，并使用后处理滤波器进一步抑制残留回声信号。在多种自适应算法中，频域最小二乘自适应滤波器算法及其派生算法具有较快的收敛速度和较低的计算负担，常常应用于实际的回声抑制任务之中。当回声路径存在不可忽视的非线性效应时，基于线性系统假设的回声抑制系统的性能将大幅下降，因此需要抑制LAEC系统处理后的信号中的残留回声。残留回声抑制系统常常使用远端信号、自适应滤波器系数以及LAEC系统处理后的信号对残留回声的幅度进行估计，并依此对残留回声信号进行抑制。这部分基于信号处理的方法常常难以在本文档来自技高网...

【技术保护点】
1.基于多特征流结构深度神经网络的残留回声抑制方法，其特征在于，该方法包括以下步骤：/n步骤1，利用纯净的语音信号、背景噪声、回声信号以及与回声信号对应的远端信号，通过自适应滤波算法，构造带有残留回声和背景噪声的带噪近端语音以及自适应滤波器输出信号；/n步骤2，将自适应滤波器输出信号或远端信号或以上两种信号作为参考信号；使用所述参考信号以及步骤1构造的带噪近端语音信号作为具有多特征流结构的神经网络模型的输入特征，该模型对包含参考信号的特征流A以及包含对近端语音的浅层估计信息的特征流B进行联合处理；使用纯净的近端语音作为模型的训练目标，训练模型；/n步骤3，将训练完成的具有多特征流结构的神经网络...

【技术特征摘要】
1.基于多特征流结构深度神经网络的残留回声抑制方法，其特征在于，该方法包括以下步骤：
步骤1，利用纯净的语音信号、背景噪声、回声信号以及与回声信号对应的远端信号，通过自适应滤波算法，构造带有残留回声和背景噪声的带噪近端语音以及自适应滤波器输出信号；
步骤2，将自适应滤波器输出信号或远端信号或以上两种信号作为参考信号；使用所述参考信号以及步骤1构造的带噪近端语音信号作为具有多特征流结构的神经网络模型的输入特征，该模型对包含参考信号的特征流A以及包含对近端语音的浅层估计信息的特征流B进行联合处理；使用纯净的近端语音作为模型的训练目标，训练模型；
步骤3，将训练完成的具有多特征流结构的神经网络模型作为后处理滤波器，对自适应滤波器处理后的信号中的残留回声和背景噪声进行抑制，增强近端说话人的音频信号。


2.根据权利要求1所述的基于多特征流结构深度神经网络的...

【专利技术属性】
技术研发人员：陈宏圣，卢晶，
申请(专利权)人：南京大学，
类型：发明
国别省市：江苏;32