一种基于深度学习的声反馈抵消方法技术

本发明专利技术涉及一种基于深度学习的声反馈抵消方法，该方法包括：首先，构造训练集，先生成大量的单位脉冲响应模拟声学反馈路径，以语音和音频信号作为外部音频输入，在开环条件下生成带反馈的音频信号和目标音频信号；接着，对带反馈的音频信号进行分帧和特征提取，根据目标音频信号与带反馈的音频信号逐帧逐频点提取学习目标，搭建基于深度学习的声反馈抵消模型，并采用开环方式训练网络，直至误差收敛到一定的范围，完成基于深度学习的声反馈抵消模型的训练；最后，将训练好的基于深度学习的声反馈抵消模型应用在闭环系统中，对闭环系统中的带反馈音频信号进行处理，得到目标音频信号时频谱，并重建时域目标音频信号。并重建时域目标音频信号。并重建时域目标音频信号。

【技术实现步骤摘要】
一种基于深度学习的声反馈抵消方法


[0001]本专利技术涉及声反馈装置和处理方法领域，具体涉及一种深度学习的声反馈抵消方法。

技术介绍

[0002]扩声系统广泛应用于多媒体电教室、本地会议系统和助听器以及人工耳蜗等电声设备，该电声系统至少包括一个传声器、一个放大器和一个扬声器。当传声器与扬声器处于同一个声学环境，扬声器信号经过声学反馈路径之后将被传声器重新采集，被放大器再次放大，并再次被扬声器播放，该过程不断循环形成声反馈。当某些频点满足奈奎斯特不稳定性条件时则会使得信号幅度不断增加并引发啸叫，信号的幅值过大会对音频设备造成严重的破坏。因此，抵消或抑制声反馈既能提高系统的扩声性能，又能保证扩声系统的稳定性和安全性。

技术实现思路

[0003]本专利技术的目的在于建立一种基于深度学习的声反馈抵消模型，并将训练好的声反馈抵消模型应用在闭环系统(闭环系统是指系统的输入影响输出同时又受输出的直接或者间接影响的系统，例如如助听器系统和现场扩声系统等)实现声反馈消除。
[0004]为达到上述目的，本专利技术通过下述技术方案实现。...

【技术保护点】

【技术特征摘要】
1.一种基于深度学习的声反馈抵消方法，该方法包括：将预先建立并在开环条件下训练好的基于深度学习的声反馈抵消模型应用在闭环系统中；通过基于深度学习的声反馈抵消模型对闭环系统中带声反馈的目标音频信号进行处理，获得目标音频信号的时频谱；根据目标音频信号的时频谱重建时域目标音频信号，实现声反馈的抵消。2.根据权利要求1所述的基于深度学习的声反馈抵消方法，其特征在于，所述方法还包括：对基于深度学习的声反馈抵消模型进行训练，具体包括以下步骤：在开环条件下生成带反馈的音频信号和目标音频信号，建立训练数据集；设计深度学习神经网络结构及超参数，建立基于深度学习的声反馈抵消模型；使用训练数据通过基于深度学习的声反馈抵消模型对带反馈的音频信号进行分帧和特征提取，根据目标音频信号与带反馈的音频信号逐帧逐频点提取学习目标，并进行深度学习神经网络的目标映射；选取损失函数进行训练，得到训练好的基于深度学习的声反馈抵消模型。3.根据权利要求2所述的基于深度学习的声反馈抵消方法，其特征在于，所述在开环条件下生成带反馈的音频信号和目标音频信号，建立训练数据集，具体包括：对声反馈的闭环系统进行建模，并根据闭环系统生成声反馈路径；生成闭环系统的目标音频信号s(t)；对目标音频信号s(t)作延时处理，得到参考信号x(t)；将参考信号x(t)与根据闭环系统生成的声反馈路径进行卷积，并和目标音频信号s(t)线性叠加，得到带反馈的开环信号z(t)；将参考信号x(t)的复频谱和带反馈的开环信号z(t)的复频谱进行张量堆叠，得到训练数据集。4.根据权利要求3所述的基于深度学习的声反馈抵消方法，其特征在于，所述对目标音频信号s(t)作延时处理，得到参考信号x(t)，表达式为：x(t)＝s(t
‑
τ)其中，τ的取值由整个扩声系统前向通路处理时延确定；所述将参考信号x(t)与根据闭环系统生成的声反馈路径进行卷积，并和目标音频信号s(t)线性叠加，得到带反馈的开环信号z(t)，表达式为：z(t)＝αx(t)*f(t)+s(t)其中，*表示卷积，α为可变参数，用于调节反馈音频信号与目标音频信号占比。5.根据权利要求3所述的基于深度学习的声反馈抵消方法，其特征在于，所述使用训练数据通过基于深度学习的声反馈抵消模型对带反馈的音频信号进行分帧和特征提...

【专利技术属性】
技术研发人员：郑成诗，王梅煌，桑晋秋，李晓东，
申请(专利权)人：中国科学院声学研究所，
类型：发明
国别省市：