高频信号重建模型的训练方法和高频信号重建方法及装置制造方法及图纸

本发明专利技术实施例公开一种高频信号重建模型的训练方法和高频信号重建方法及装置，其中训练方法包括：将用于模型训练的音频信号分别进行第一频率和第二频率的低通滤波，获得对应所述第一频率的样本信号和对应所述第二频率的目标信号，其中，所述第一频率小于所述第二频率；根据所述样本信号获得样本特征参数，以及，根据所述目标信号获得目标特征参数；将所述样本特征参数输入神经网络，以所述目标特征参数为输出目标训练所述神经网络，直至获得满足收敛条件的神经网络，并将满足收敛条件的神经网络作为高频重建模型。这样，可以有效提升骨传导采集的声音信号的人声质量。导采集的声音信号的人声质量。导采集的声音信号的人声质量。

【技术实现步骤摘要】
高频信号重建模型的训练方法和高频信号重建方法及装置


[0001]本专利技术涉及信号处理
，尤其涉及一种高频信号重建模型的训练方法和高频信号重建方法及装置。

技术介绍

[0002]骨传导传感器获得的信号不受气导噪声的干扰，可以在复杂噪声条件下表现出很好的鲁棒性。但是骨传导得到的信号带宽主要限制在低频，人声信号的质量受到一定程度的限制。
[0003]现有的骨传导传感器采集的声音信号存在高频信号缺失影响声音信号完整性的技术问题。

技术实现思路

[0004]本专利技术实施例提供了一种高频信号重建模型的训练方法及高频重建方法及装置，至少解决上述部分技术问题。
[0005]第一方面，本公开实施例提供了一种高频信号重建模型的训练方法，包括：
[0006]将用于模型训练的音频信号分别进行第一频率和第二频率的低通滤波，获得对应所述第一频率的样本信号和对应所述第二频率的目标信号，其中，所述第一频率小于所述第二频率；
[0007]根据所述样本信号获得样本特征参数，以及，根据所述目标信号获得目标特征参数；
[0008]将所述样本特征参数输入神经网络，以所述目标特征参数为输出目标训练所述神经网络，直至获得满足收敛条件的神经网络，并将满足收敛条件的神经网络作为高频重建模型。
[0009]根据本公开的一种具体实施方式，所述根据所述样本信号获得样本特征参数，以及，根据所述目标信号获得目标特征参数的步骤，包括：
[0010]根据所述样本信号获得样本相位谱，以及，根据所述目标信号获得目标相位谱；
[0011]所述将所述样本特征参数输入神经网络，以所述目标特征参数为输出目标训练所述神经网络，直至获得满足收敛条件的神经网络的步骤，包括：
[0012]将所述样本相位谱输入所述神经网络，以所述目标相位谱为输出目标训练所述神经网络，直至获得满足相位谱对应收敛条件的神经网络。
[0013]根据本公开的一种具体实施方式，所述根据所述样本信号获得样本特征参数，以及，根据所述目标信号获得目标特征参数的步骤，还包括：
[0014]根据所述样本信号获得样本幅度谱，以及，根据所述目标信号获得目标幅度谱；
[0015]所述将所述样本特征参数输入神经网络，以所述目标特征参数为输出目标训练所述神经网络，直至获得满足收敛条件的神经网络的步骤，包括：
[0016]将所述样本幅度谱输入所述神经网络，以所述目标幅度谱为输出目标训练所述神
经网络，直至获得满足幅度谱对应的收敛条件的神经网络。
[0017]根据本公开的一种具体实施方式，所述将所述样本相位谱输入所述神经网络，以所述目标相位谱为输出目标训练所述神经网络，直至获得满足相位谱对应收敛条件的神经网络的步骤，以及，将所述样本幅度谱输入所述神经网络，以所述目标幅度谱为输出目标训练所述神经网络，直至获得满足幅度谱对应的收敛条件的神经网络的步骤，包括：
[0018]将所述样本相位谱输入第一神经网络，以所述目标相位谱为输出目标训练所述第一神经网络，直至获得满足相位谱对应收敛条件的第一神经网络，以及，将所述样本幅度谱输入第二神经网络，以所述目标幅度谱为输出目标训练所述第二神经网络，直至获得满足幅度谱对应的收敛条件的第二神经网络。
[0019]根据本公开的一种具体实施方式，所述根据所述样本信号获得样本特征参数，以及，根据所述目标信号获得目标特征参数的步骤，包括：
[0020]根据所述样本信号获得实部和虚部，以及，根据所述目标信号获得所述目标信号对应的实部和虚部；
[0021]所述将所述样本特征参数输入神经网络，以所述目标特征参数为输出目标训练所述神经网络，直至获得满足收敛条件的神经网络的步骤，包括：
[0022]将所述样本信号对应的实部和虚部输入所述神经网络，以所述目标信号对应的实部和虚部为输出目标训练所述神经网络，直至获得满足收敛条件的神经网络。
[0023]根据本公开的一种具体实施方式，所述将所述样本幅度谱输入第二神经网络，以所述目标幅度谱为输出目标训练所述第二神经网络，直至获得满足幅度谱对应的收敛条件的第二神经网络的步骤，包括：
[0024]计算每次将所述样本幅度谱输入所述第二神经网络训练后输出的预测幅度谱与所述目标幅度谱的平均绝对误差；
[0025]若所述平均绝对误差大于或者等于预设误差值，利用所述预测幅度谱与所述目标幅度谱的误差幅度谱调整所述第二神经网络；
[0026]若所述平均绝对误差小于所述预设误差值，将此时的所述第二神经网络作为满足预设收敛条件的第二神经网络。
[0027]根据本公开的一种具体实施方式，所述将所述样本相位谱输入第一神经网络，以所述目标相位谱为输出目标训练所述第一神经网络，直至获得满足相位谱对应收敛条件的第一神经网络的步骤，包括：
[0028]计算每次将所述样本相位谱输入所述第一神经网络训练后输出的预测相位谱与所述目标相位谱的加权余弦距离；
[0029]若所述加权余弦距离大于或者等于预设距离值，利用所述加权余弦距离作为损失函数调整所述第一神经网络的网络参数；
[0030]若所述加权余弦距离小于所述预设距离值，将此时的所述第一神经网络作为满足预设收敛条件的神经网络。
[0031]根据本公开的一种具体实施方式，所述根据所述样本信号获得样本特征参数，以及，根据所述目标信号获得目标特征参数的步骤，包括：
[0032]将所述样本信号进行短时傅里叶变换，获得所述样本幅度谱和所述样本相位谱；
[0033]以及，
[0034]所述根据所述目标信号获得目标幅度谱和目标相位谱的步骤，包括：
[0035]将所述目标信号进行短时傅里叶变换，获得所述目标幅度谱和所述目标相位谱。
[0036]根据本公开的一种具体实施方式，所述根据所述样本信号获得样本特征参数，以及，根据所述目标信号获得目标特征参数的步骤，包括：
[0037]将所述样本信号进行短时傅里叶变换，获得所述样本信号对应的实部和虚部，以及，将所述目标信号进行短时傅里叶变换，获得所述目标信号对应的实部和虚部。
[0038]根据本公开的一种具体实施方式，所述第一神经网络和所述第二神经网络的结构均包括：
[0039]对称布局的卷积编码器和反卷积解码器，所述卷积编码器和所述反卷积解码器之间连接有两个带归组策略的递归长短期记忆层；其中，
[0040]所述卷积编码器的卷积层特征数按预设倍数递减，所述反卷积解码器的反卷积层特征数按预设倍数递增，特征数相同的卷积层和反卷积层跳跃连接。
[0041]根据本公开的一种具体实施方式，所述将用于模型训练的音频信号分别进行第一频率和第二频率的低通滤波，获得对应所述第一频率的样本信号和对应所述第二频率的目标信号的步骤，包括：
[0042]将所述音频信号输入对应所述第一频率的第一低通滤波器，得到所述样本信号，以及，将所述音频信号输入对应所述第二频率的第二低通滤波器，得到所述目本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种高频信号重建模型的训练方法，其特征在于，包括：将用于模型训练的音频信号分别进行第一频率和第二频率的低通滤波，获得对应所述第一频率的样本信号和对应所述第二频率的目标信号，其中，所述第一频率小于所述第二频率；根据所述样本信号获得样本特征参数，以及，根据所述目标信号获得目标特征参数；将所述样本特征参数输入神经网络，以所述目标特征参数为输出目标训练所述神经网络，直至获得满足收敛条件的神经网络，并将满足收敛条件的神经网络作为高频重建模型。2.根据权利要求1所述的方法，其特征在于，所述根据所述样本信号获得样本特征参数，以及，根据所述目标信号获得目标特征参数的步骤，包括：根据所述样本信号获得样本相位谱，以及，根据所述目标信号获得目标相位谱；所述将所述样本特征参数输入神经网络，以所述目标特征参数为输出目标训练所述神经网络，直至获得满足收敛条件的神经网络的步骤，包括：将所述样本相位谱输入所述神经网络，以所述目标相位谱为输出目标训练所述神经网络，直至获得满足相位谱对应收敛条件的神经网络。3.根据权利要求2所述的方法，其特征在于，所述根据所述样本信号获得样本特征参数，以及，根据所述目标信号获得目标特征参数的步骤，还包括：根据所述样本信号获得样本幅度谱，以及，根据所述目标信号获得目标幅度谱；所述将所述样本特征参数输入神经网络，以所述目标特征参数为输出目标训练所述神经网络，直至获得满足收敛条件的神经网络的步骤，包括：将所述样本幅度谱输入所述神经网络，以所述目标幅度谱为输出目标训练所述神经网络，直至获得满足幅度谱对应的收敛条件的神经网络。4.根据权利要求3所述的方法，其特征在于，所述将所述样本相位谱输入所述神经网络，以所述目标相位谱为输出目标训练所述神经网络，直至获得满足相位谱对应收敛条件的神经网络的步骤，以及，将所述样本幅度谱输入所述神经网络，以所述目标幅度谱为输出目标训练所述神经网络，直至获得满足幅度谱对应的收敛条件的神经网络的步骤，包括：将所述样本相位谱输入第一神经网络，以所述目标相位谱为输出目标训练所述第一神经网络，直至获得满足相位谱对应收敛条件的第一神经网络，以及，将所述样本幅度谱输入第二神经网络，以所述目标幅度谱为输出目标训练所述第二神经网络，直至获得满足幅度谱对应的收敛条件的第二神经网络。5.根据权利要求1所述的方法，其特征在于，所述根据所述样本信号获得样本特征参数，以及，根据所述目标信号获得目标特征参数的步骤，包括：根据所述样本信号获得所述样本信号对应的实部和虚部，以及，根据所述目标信号获得所述目标信号对应的实部和虚部；所述将所述样本特征参数输入神经网络，以所述目标特征参数为输出目标训练所述神经网络，直至获得满足收敛条件的神经网络的步骤，包括：将所述样本信号对应的实部和虚部输入所述神经网络，以所述目标信号对应的实部和虚部为输出目标训练所述神经网络，直至获得满足收敛条件的神经网络。6.根据权利要求4所述的方法，其特征在于，所述将所述样本相位谱输入第一神经网络，以所述目标相位谱为输出目标训练所述第一神经网络，直至获得满足相位谱对应收敛
条件的第一神经网络的步骤，包括：计算每次将所述样本相位谱输入所述第一神经网络训练后输出的预测相位谱与所述目标相位谱的加权余弦距离；若所述加权余弦距离大于或者等于预设距离值，利用所述加权余弦距离作为损失函数调整所述第一神经网络的网络参数；若所述加权余弦距离小于所述预设距离值，将此时的所述第一神经网络作为满足预设收敛条件的神经网络。7.根据权利要求4所述的方法，其特征在于，所述将所述样本幅度谱输入第二神经网络，以所述目标幅度谱为输出目标训练所述第二神经网络，直至获得满足幅度谱对应的收敛条件的第二神经网络的步骤，包括：计算每次将所述样本幅度谱输入所述第二神经网络训练后输出的预测幅度谱与所述目标幅度谱的平均绝对误差；若所述平均绝对误差大于或者等于预设误差值，利用所述预测幅度谱与所述目标幅度谱的误差幅度谱调整所述第二神经网络；若所述平均绝对误差小于所...

【专利技术属性】
技术研发人员：胡鹏，王鹤鸣，闫永杰，
申请(专利权)人：大象声科深圳科技有限公司，
类型：发明
国别省市：