摘要: 在我们日常的工作和生活中，不可避免地会遇到在噪声环境下进行交流和通信的情况。比如在公共交通工具上使用移动通信设备，商场里其他人的说话声以及工厂车间里的机器设备声。 伴随着现代通信技术的飞速发展，人们对移动语音通信和人机交互技术的... 展开 在我们日常的工作和生活中，不可避免地会遇到在噪声环境下进行交流和通信的情况。比如在公共交通工具上使用移动通信设备，商场里其他人的说话声以及工厂车间里的机器设备声。 伴随着现代通信技术的飞速发展，人们对移动语音通信和人机交互技术的需求也越来越大，语音增强算法的研究成为了数字化通信中的一个重要研究方向。但是，传统算法处理后的增强语音的质量往往很难令人满意，进而影响语音通信质量以及语音识别等后续处理的性能。除此之外，传统的语音增强算法在不同噪声环境下很难表现出稳定的语音增强性能，噪声鲁棒性难以达到理想的水平。 对于现有基于深度学习的语音增强算法存在的问题及缺陷，本文提出了一种基于多目标学习的语音增强算法。 本文的研究工作主要围绕以下几个方面展开: (1)通过分析现有语音特征参数的特点，本文提出了一种改进的幂函数压缩梅尔倒谱系数(power function compression Mel-frequency cepstral coefficient，PC-MFCC)。该特征是在梅尔倒谱系数(Mel-frequency cepstral coefficient，MFCC)的基础上改进的。传统的MFCC特征基于声音频率的梅尔刻度进行非线性对数变换，但是，采用对数函数对语音能量进行压缩并不能很好地模拟人耳对音强的非线性感知特性。为解决这一问题，本文将对数函数压缩改为幂函数压缩以在不同音强段更好地模拟这种听觉非线性特性。实验结果表明，本文提出的改进的幂函数压缩梅尔倒谱系数在复杂背景噪声环境下可以提出更多的有用信息，具有较好的语音增强性能。 (2)本文结合堆叠卷积神经网络(stacked convolutional neural network,STCNN)以及时序卷积神经网络(temporal convolutional neural network，TCNN)的优势及特点，构建了一个堆叠-时序卷积神经网络(stacked and temporal convolutional neural network，STCNN)，用于对本文的语音增强任务进行建模。此外，本文采用多目标学习策略，在神经网络的输入层，将PC-MFCC和对数功率谱(log-power spectra，LPS)作为互补输入。在输出层预测互补目标PC-MFCC、LPS以及理想比率掩蔽(Ideal Ratio Mask，IRM)。利用堆叠卷积层从互补特征中提取高级抽象信息，通过时序卷积层对语音的时序信息进行建模。在训练阶段，通过损失函数约束互补目标的预测，以获得最优的网络模型。最后，通过训练好的网络模型预测出干净的互补目标。 (3)在合成语音过程中，互补目标在不同信噪比环境下的表现具有一定的互补性。因此，在波形重建阶段，为充分利用互补目标各自的特点，本文提出了一种基于IRM的后处理过程。该后处理过程利用IRM提供的语音存在信息，来表征每个时频单元内信噪比(signal-to-noiseratio，SNR)高低。然后，以此为依据动态调节互补特征在波形重建过程中所占比例。从而缓解某些时频单元中目标的误估计问题，并改善增强语音质量，提高算法的鲁棒性。实验结果表明，基于IRM的后处理过程可以降低语音失真，改善增强语音的性能。相比于传统的后处理过程，本文所提基于IRM的自适应后处理过程在各个信噪比环境下表现出一致的改进。 (4)基于上述研究本文整合出一套基于多目标学习的语音增强算法。相比于对比算法，本文所提算法不仅具有更高的噪声鲁棒性，在降噪方面也有着优异的表现，并进一步改善了增强语音的质量。 收起