CN110619885A 基于深度完全卷积神经网络的生成对抗网络语音增强方法 （西北工业大学）

基于深度完全卷积神经网络的生成对抗网本发明公开了基于深度完全卷积神经网络语谱图，将语谱图作为生成对抗网络中生成器G图进行处理，将生成器构建为编码器-译码器结量z经过译码器部分获得语音信号的输出信号；中的输出信号和所述步骤一中的纯净语音信号2语音信号；获得所述含噪语音信号的语谱图，将语谱图作为生成对抗网络中生成器G的输步骤二、基于深度完全卷积神经网络的生成对抗网络模型的生成器G对步骤一所生成2.如权利要求1所述的基于深度完全卷积神经网络的生成对抗网络语音增强方法，其3.如权利要求1所述的基于深度完全卷积神经网络的生成对抗网络语音增强方法，其息。每个卷积层使用小卷积核而不是大卷积核，并且使用均方根误差(RootMeanSquare4.如权利要求1所述的基于深度完全卷积神经网络的生成对抗网络语音增强方法，其3.2、将所述步骤二中的输出信号和所述步骤一中的纯净语音信号作为判别器D的输其中，这一项是惩罚项，并设置额外的损失以实现梯34[0004]文献1“EnhancementofSpeechCorruptedbyAcousticNoise[IEEEInternationalConferenceonAcoustics,SpeechandSignalProcessing(ICASSP),[0005]文献2“Evaluationofrastaapproachwithmodifiedparametersforspeechenhancementincommunicationsystems[inComputers&Informatics,[0006]文献3“NoiseReductionofSpeechSignalUsingWaveletTransformwithModifiedUniversalThreshold[InternationalJournalofComputerApplications,5等人提出了语音增强生成对抗网络(SpeechEnhancementGenerativeAdversarial[0008]本发明的目的是提供基于深度完全卷积神经网络的生成对抗网[0011]步骤二、基于深度完全卷积神经网络的生成对抗网络模型的生成器G对步骤一所语音信息。每个卷积层使用小卷积核而不是大卷积核，并且使用均方根误差(RootMean泄露修正线性单元，在所有卷积层和LeakyReLU激活层之间都有一个批处理规范化层；同6[0025]图2为本发明基于深度完全卷积神经网络的生成对抗网络的模型生成器的结构[0028]本发明提供了基于深度完全卷积神经网络的生成对抗网络语音增强方法，如图1[0030]步骤二、基于深度完全卷积神经网络的生成对抗网络模型的生成器G对步骤一所许多卷积层和池化层，对语音信号自动进行特征提取来代替传统的人为提取语音特征方语音信息。每个卷积层使用小卷积核而不是大卷积核，并且使用均方根误差(RootMean7了激活所有的神经元，使用了带泄露修正线性单元(LeakyReLU)。在所有卷积层和Leaky[0042]以下实例中所提供的图示以及模型中的具体参数值的设定只是为了说明本发明[0045]生成器网络是由卷积层和转置卷积层实现的编码器-解码器结构。为了在边界处8[0047]为了全面系统评价增强后语音信号的效果，本发明将所提方法DFCNN-GAN与传统[0051]附图3显示了不同语音增强方法的度量分数，可以得出基于深度全连接卷积生成对抗网络的语音增强方法具有更加优良的去噪效果。与Wiener滤波和SEGAN相比，DFCNN-[0052]本