-
题名基于卷积编解码器和门控循环单元的语音分离算法
被引量：7
- 1
-
-
作者
陈修凯
陆志华
周宇
-
机构
宁波大学信息科学与工程学院
-
出处
《计算机应用》
CSCD
北大核心
2020年第7期2137-2141,共5页
-
基金
国家自然科学基金青年科学基金资助项目(61801255)。
-
文摘
在大部分基于深度学习的语音分离和语音增强算法中,把傅里叶变换后的频谱特征作为神经网络的输入特征,并未考虑到语音信号中的相位信息。然而过去的一些研究表明,尤其是在低信噪比(SNR)条件下,相位信息对于提高语音质量是必不可少的。针对这个问题,提出了一种基于卷积编解码器网络和门控循环单元(CED-GRU)的语音分离算法。首先,利用原始波形既包含幅值信息也包含相位信息的特点,在输入端以混合语音信号的原始波形作为输入特征;其次,通过结合卷积编解码器(CED)网络和门控循环单元(GRU)网络,可以有效解决语音信号中存在的时序问题。提出的改进算法在男性和男性、男性和女性、女性和女性的语音质量的感知评价(PESQ)和短时目标可懂度(STOI)方面,与基于排列不变训练(PIT)算法、基于深度聚类(DC)算法、基于深度吸引网络(DAN)算法相比,分别提高了1.16和0.29、1.37和0.27、1.08和0.3;0.87和0.21、1.11和0.22、0.81和0.24;0.64和0.24、1.01和0.34、0.73和0.29个百分点。实验结果表明,基于CED-GRU的语音分离系统在实际应用中具有较大的价值。
-
关键词
卷积神经网络
卷积编解码器
门控循环单元
端到端
语音分离
-
Keywords
Convolutional Neural Network(CNN)
Convolutional Encoder Decoder(CED)
Gated Recurrent Unit(GRU)
end-to-end
speech separation
-
分类号
TN912.3
[电子电信—通信与信息系统]
-
-
题名基于冗余卷积编解码器的变压器噪声抑制
被引量：3
- 2
-
-
作者
辛全金
李晓华
杨义
李俊聪
夏能弘
-
机构
上海电力大学电气工程学院
-
出处
《中国电力》
CSCD
北大核心
2023年第4期112-118,共7页
-
基金
国家自然科学基金资助项目(51607110)。
-
文摘
变压器运行过程中产生的声信号是评估变压器运行状态以及变电站噪声水平的重要依据。提出一种基于冗余卷积编解码器网络(redundant convolutional encoder decoder,RCED)的变压器噪声抑制方法,利用短时傅立叶变换得到干净声信号和含噪声信号的时频特征,构建了变压器声信号降噪模型。通过对某换流站换流变压器的噪声信号进行测试验证,结果表明:所提模型具有较好的降噪效果,所提方法对于变压器声纹振动在线监测系统以及变电站噪声的准确检测具有参考意义。
-
关键词
电力变压器
声信号预处理
冗余卷积编解码器
信噪分离
-
Keywords
power transformer
acoustic signal preprocessing
redundant convolutional encoder decoder
signal-to-noise separation
-
分类号
TM40
[电气工程—电器]
-
-
题名一种新的胎心率信号压缩方法——卷积编解码网络
被引量：1
- 3
-
-
作者
阙与清
陈定科
童蕾
陈超敏
-
机构
南方医科大学生物医学工程学院
广东机电职业技术学院
-
出处
《南方医科大学学报》
CAS
CSCD
北大核心
2021年第2期279-284,共6页
-
基金
国家重点研发计划项目(2019YFC0118805,2019YFC0120103)。
-
文摘
为减少物联网系统中数据传输和存储的能量损失,提高胎心率数据的传输效率,实现胎儿的实时监控,本文使用卷积编解码器网络(CC-Net)压缩数据。网络有两个模块:编码和解码,在编码模块中,原始数据被压缩;在解码模块中,压缩数据被重建。然后,通过使用原始信号和重建信号的均方误差来连续更新内部参数,以使误差最小。最后,在编码模块中获得有效的压缩数据。在本研究中,该方法对胎儿心率信号的压缩率达到了12.07%,重构信号与原始信号之间的误差为0.03。本研究提出的卷积编解码器网络(CC-Net)可以实现非常低的胎儿心率压缩率,并且可以确保重建的信号与原始信号非常相似,表明压缩方法是有效的,并且保留了胎儿心率信号的重要信息。
-
关键词
物联网
母婴监测系统
卷积编解码器网络
胎心率
数据压缩
-
Keywords
Internet of Things
maternal and infant monitoring system
convolutional codec network
fetal heart rate
data compression
-
分类号
R714.5
[医药卫生—妇产科学]
TN911.7
[电子电信—通信与信息系统]
TP183
[自动化与计算机技术—控制理论与控制工程]
-
-
题名一种基于卷积神经网络的端到端语音分离方法
被引量：13
- 4
-
-
作者
范存航
刘斌
陶建华
温正棋
易江燕
-
机构
中国科学院自动化研究所模式识别国家重点实验室
中国科学院大学人工智能学院
中国科学院脑科学与智能技术卓越创新中心
-
出处
《信号处理》
CSCD
北大核心
2019年第4期542-548,共7页
-
基金
国家重点研发计划(2017YFC0820602)
国家自然科学基金(61425017,61831022,61773379,61771472)
中国科学院-法国国家信息与自动化研究所联合研究项目(173211KYSB20170061)
-
文摘
大部分的语音分离系统仅仅增强混合的幅值谱(短时傅里叶变换的系数),但是对于相位谱却不做任何处理。然而,最近的研究表明相位信息对于语音分离的质量起着很重要的作用。为了同时利用幅值和相位信息,本文提出了一种有效的端到端分离方法。这种方法是直接利用原始语音波行点作为特征,是一种基于编解码器的卷积神经网络结构。跟其他的说话人独立的语音分离系统不同,本文提出的方法其神经网络只输出一个说话人的信号,其他的语音可以由混合语音与网络输出信号的差值获得。我们在TIMIT数据集上验证本文提出的方法。实验结果表明,本文提出的方法明显优于句子级别的排列不变性训练(utterance-level permutation invariant training,uPIT)基线方法,对于信号失真比(signal-to-distortion ratio,SDR)相对提高了16.06%。
-
关键词
说话人独立语音分离
鸡尾酒会问题
端到端
卷积编解码器
-
Keywords
speaker independent speech separation
cocktail party problem
end-to-end
convolution encoder decoder
-
分类号
TN912
[电子电信—通信与信息系统]
-
-
题名一种密集卷积神经网络的电视语音响度补偿方法
- 5
-
-
作者
谢仁礼
秦宇
罗雪倩
-
机构
深圳TCL新技术有限公司
-
出处
《电声技术》
2021年第6期18-24,共7页
-
文摘
现有的电视语音响度补偿是针对人耳听阈和听力障碍的损失进行均衡补偿,这类方法会放大同频段的非人声。针对这类方法的缺陷,提出利用深度学习语音增强技术将人声从电视节目音频中分离出来,使用户直接听到清晰人声。对此提出密集连接卷积网络(Densely Connected Convolutional Network,DenseNet)结合卷积神经网络编解码器(Convolutional Encoder-Decoder,CED)结构的新型神经网络语音增强模型。该模型量级较轻,能够在电视上实时运行,与同量级网络参数的卷积神经网络(Convolutional Neural Networks,CNN)语音增强模型相比,效果更好且模型更小。
-
关键词
密集连接卷积神经网络
卷积编解码器
实时语音增强
残差连接
-
Keywords
densely connected convolutional network
convolutional encoder-decoder
real-time speech enhancement
residual connections
-
分类号
TP391.41
[自动化与计算机技术—计算机应用技术]
-
-
题名基于跳跃连接注意力网络的音乐分离
被引量：1
- 6
-
-
作者
王岚
-
机构
中国传媒大学
-
出处
《电声技术》
2022年第2期29-32,共4页
-
文摘
在对音乐进行歌声与伴奏分离过程中,基于卷积编解码的分离模型虽然在一定程度上提升了分离效果,但网络存在丢失信息的问题。为了解决这个问题,提出一种有效的歌声与伴奏分离的模型。传统方法指的是非深度学习模型,本文在基于深度学习模型的基础上进行改进,通过在卷积编解码器的跳跃连接部分加入注意力机制,解决了网络丢失重要信息的问题,提高了分离性能。在开源数据集MUSDB18上进行验证,结果表明所提的模型分离效果良好。
-
关键词
歌声与伴奏分离
卷积编解码器
注意力
-
Keywords
separation of singing voice and accompaniment
convolutional encoder-decoder
attention
-
分类号
TP391.4
[自动化与计算机技术—计算机应用技术]
-
