基于深度置信网络的语音增强算法

第４１卷第５期２０１８年１０月电子器件ＣｈｉｎｅｓｅＪｏｕｒｎａｌｏｆＥｌｅｃｔｒｏｎＤｅｖｉｃｅｓＶｏｌ ４１㊀Ｎｏ ５Ｏｃｔ.２０１８项目来源:国家自然科学基金项目(６１６７３１０８)ꎻ江苏高校品牌专业建设工程项目(ＰＰＺＹ２０１５Ａ０９２)ꎻ南京信息职业技术学院科技创新团队项目收稿日期:２０１７－０８－２３㊀㊀修改日期:２０１７－０９－２２ＳｐｅｅｃｈＥｎｈａｎｃｅｍｅｎｔＡｌｇｏｒｉｔｈｍＢａｓｅｄｏｎＡＤｅｅｐＢｅｌｉｅｆＮｅｔｗｏｒｋ∗ＹＩＮＦａｍｉｎｇ１∗ꎬＴＡＮＧＹｕｆｅｎｇ２(１.ＳｃｈｏｏｌｏｆＣｏｍｍｕｎｉｃａｔｉｏｎｓＥｎｇｉｎｅｅｒｉｎｇꎬＮａｎｊｉｎｇＣｏｌｌｅｇｅｏｆＩｎｆｏｒｍａｔｉｏｎＴｅｃｈｎｏｌｏｇｙꎬＮａｎｊｉｎｇ２１００２３ꎬＣｈｉｎａꎻ２.ＳｃｈｏｏｌｏｆＩｎｆｏｒｍａｔｉｏｎＳｃｉｅｎｃｅａｎｄＥｎｇｉｎｅｅｒｉｎｇꎬＳｏｕｔｈｅａｓｔＵｎｉｖｅｒｓｉｔｙꎬＮａｎｊｉｎｇ２１００９６ꎬＣｈｉｎａ)Ａｂｓｔｒａｃｔ:ＤＢＮ(ＤｅｅｐＢｅｌｉｅｆＮｅｔｗｏｒｋ)ｗａｓｓｔｕｄｉｅｄｂａｓｅｄｏｎｓｐｅｅｃｈｅｎｈａｎｃｅｍｅｎｔａｌｇｏｒｉｔｈｍ.ＷｅｃｈｏｓｅＬｏｇ￣ＳｐｅｃｔｒａｌＭｉｎｉｍｕｍＭｅａｎＳｑｕａｒｅＥｒｒｏｒ(ＬＯＧＭＭＳＥ)ａｌｇｏｒｉｔｈｍａｎｄｏｐｔｉｍａｌｌｙ￣ｍｏｄｉｆｉｅｄｌｏｇ￣ｓｐｅｃｔｒａｌａｍｐｌｉｔｕｄｅ(ＯＭ￣ＬＳＡ)ｓｐｅｅｃｈｅｓｔｉｍａｔｏｒꎬｗｈｉｃｈａｒｅｔｈｅｂｅｓｔｔｒａｄｉｔｉｏｎａｌｓｐｅｅｃｈｅｎｈａｎｃｅｍｅｎｔａｌｇｏｒｉｔｈｍｓꎬｔｏｃｏｍｐａｒｅｗｉｔｈＤＢＮ￣ｂａｓｅｄｓｐｅｅｃｈｅｎｈａｎｃｅｍｅｎｔａｌｇｏｒｉｔｈｍ.ＴｈｅｒｅｓｕｌｔｓｉｎｄｉｃａｔｅｄｔｈａｔｔｈｅＤＢＮ￣ｂａｓｅｄｓｐｅｅｃｈｅｎｈａｎｃｅｍｅｎｔａｌｇｏｒｉｔｈｍｄｅｍｏｎｓｔｒａｔｅｄｓｕｐｅｒｉｏｒｐｅｒｆｏｒｍａｎｃｅａｍｏｎｇｔｈｒｅｅａｌｇｏｒｉｔｈｍｓꎬｅｓｐｅｃｉａｌｌｙｔｈｅｉｍｐｒｏｖｅｍｅｎｔｏｆｓｐｅｅｃｈｑｕａｌｉｔｙ.Ｋｅｙｗｏｒｄｓ:ｓｐｅｅｃｈｅｎｈａｎｃｅｍｅｎｔａｌｇｏｒｉｔｈｍꎻｄｅｅｐｂｅｌｉｅｆｎｅｔｗｏｒｋꎻＬＯＧＭＭＳＥａｌｇｏｒｉｔｈｍꎻＯＭ￣ＬＳＡａｌｇｏｒｉｔｈｍＥＥＡＣＣ:６１３０㊀㊀㊀㊀ｄｏｉ:１０.３９６９/ｊ.ｉｓｓｎ.１００５－９４９０.２０１８.０５.０４８基于深度置信网络的语音增强算法∗阴法明１∗ꎬ唐於烽２(１.南京信息职业技术学院通信学院ꎬ南京２１００２３ꎻ２.东南大学信息科学与工程学院ꎬ南京ꎬ２１００９６)摘㊀要:研究了一种基于深度置信网络的语音增强算法ꎮ选取在噪声环境下传统语音增强算法中较好的ＬＯＧＭＭＳＥ与ＯＭ￣ＬＳＡ算法和基于深度置信网络的语音增强算法进行了分析比较ꎬ结果证明深度置信网络的语音增强算法在３种算法中体现出了卓越的性能ꎬ尤其对增强后的语音质量的提升远远超过前两种算法ꎮ关键词:语音增强算法ꎻ深度置信网络ꎻＬＯＧＭＭＳＥ算法ꎻ优化改进的对数幅度谱算法中图分类号:Ｈ０１７ꎻＴＮ６９㊀㊀㊀㊀文献标识码:Ａ㊀㊀㊀㊀文章编号:１００５－９４９０(２０１８)０５－１３２５－０５㊀㊀语音是人类社会信息重要的也是最便捷的载体ꎮ但是人类生存的环境却是一个极端复杂的声学环境ꎬ因此人类的通信通常会收到各种噪声的干扰ꎮ自然环境中的这些噪声严重影响了语音的质量和信息的传递ꎮ语音增强技术旨在提升被噪声干扰语音的可懂度和质量ꎮ语音增强技术在助听器㊁耳蜗移植中广泛使用ꎬ语音增强技术的使用是的上述设备的听觉舒适度和可懂度得到提升ꎮ此外ꎬ在语音识别系统和说话人识别系统中ꎬ语音增强技术也有广泛的应用ꎮ传统的单声道语音增强算法主要分为时域方法和频域方法ꎮ时域方法主要包括参数和滤波的方法ꎬ信号子空间法等ꎮ而频域的方法有谱减法㊁维纳滤波法㊁听觉掩蔽法等[１]ꎮ其中谱减法是最简单ꎬ计算复杂度最小的方法ꎬ但会残留音乐噪声和严重的语音失真ꎮ而维纳滤波法能够将音乐噪声转变成白噪声ꎬ让处理后的语音听上去更舒适ꎬ但维纳滤波是基于平稳假设前提下的最小均方误差的估计ꎬ因此对非平稳信号的抑制能力较弱ꎮ听觉掩蔽法是根据人耳的掩蔽效应提出的一种算法ꎬ即能量大的声音会将能量小的声音掩蔽ꎮ此方法不用将噪声完全从语音中减去ꎬ只要将噪声能量抑制在掩蔽阈值以下ꎮ革命性的语音增强算法是１９８４年Ｅｐｈｒａｉｍ和Ｍａｌａｈ提出的基于最小均方误差ＭＭＳＥ(ＭｉｎｉｍｕｍＭｅａｎＳｑｕａｒｅＥｒｒｏｒ)的语音幅度谱估计ꎬ由于人耳对声强的感知是非线性的ꎬ因而他们又提出了对数谱域的最小均方误差估计(ＬＯＧ￣ＭＭＳＥ)ꎮ在ＬＯＧ￣ＭＭＳＥ语音增强方法提出来的同时ꎬＲａｉｎｅｒＭａｒｔｉｎ[６]在１９９４年提出了基于最小统计量的语音增强方法ꎬ后面许多学者对此方法提出了相应的改良ꎬ其中使用最重要的是ＩｓｒａｅｌＣｏｈｅｎ提出的最佳修正对数谱ＯＭ￣ＬＳＡ(Ｏｐｔｉｍａｌｌｙ￣ＭｏｄｉｆｉｅｄＬｏｇ￣ＳｐｅｃｔｒａｌＡｍｐｌｉｔｕｄｅ)电㊀子㊀器㊀件第４１卷语音增强算法ꎮ此方法具有估计误差更小ꎬ对非平稳噪声跟踪的比较快的特点[７]ꎬ可以认为ＬＯＧ￣ＭＭＳＥ和ＯＭ￣ＬＳＡ是目前传统单声道语音增强最优的算法ꎬ因而本文也挑选这两种方法作为分析比较的语音增强处理的算法ꎮ传统语音增强算法可归结为无监督语音增强算法ꎮ随着深度学习的概念提出ꎬ语音增强算法迎来了新的发展ꎬ即基于神经网络的语音增强方法ꎮ在神经网络语音增强算法方面做出较深入研究的是美国俄亥俄州立大学的汪德亮实验室以及国内中国科学技术大学戴礼荣实验室ꎮ汪德亮[１２－１５]实验室在深度神经网络ＤＮＮ(ＤｅｅｐＮｅｕｒａｌＮｅｔｗｏｒｋ)和卷积神经网络ＲＮＮ(ＣｏｎｖｏｌｕｔｉｏｎａｌＮｅｕｒａｌＮｅｔｗｏｒｋ)的基础上ꎬ设计了多种语音增强方案ꎬ其中经典的有理想二值掩蔽(ＩｄｅａｌＢｉｎａｒｙＭａｓｋｉｎｇ)算法ꎬ基于ＩＢＭ算法还衍生出了多值掩蔽ꎬ即取０和１中的值进行标记ꎮ而本文研究了将深度置信网络ＤＢＮ(ＤｅｅｐＢｅｌｉｅｆＮｅｔｗｏｒｋ)应用于语音增强系统ꎮ大体思想就是使用带噪语音的ｌｏｇ谱和纯净语音的ｌｏｇ谱对ＤＢＮ进行训练ꎬ得到一个模型ꎬ设计成一个非线性滤波器ꎬ对带噪语音进行滤波ꎬ而将带噪语音映射到纯净语音[４ꎬ１０－１１]ꎮ不对语音和噪声的稳定性以及相互独立性做任何假设ꎬ可较好地应对非平稳环境[５]ꎮ此外ꎬ生成对抗网络ＧＡＮ(ＧｅｎｅｒａｔｉｖｅＡｄｖｅｒｓａｒｉａｌＮｅｔｓ)[１６]和长短时记忆网络ＬＳＴＭ(Ｌｏｎｇ￣ＳｈｏｒｔＴｅｒｍＭｅｍｏｒｙ)[１７]也被使用在语音增强领域中ꎮ本文选取传统语音增强算法中较好的ＬＯＧＭＭＳＥ与ＯＭ￣ＬＳＡ算法和基于深度置信网络的语音增强算法分析比较了它们的语音增强效果和计算复杂度等性能ꎮ１㊀语音增强算法１.１㊀ＬＯＧＭＭＳＥ[６－７]假设带噪信号ｙ(ｎ)＝ｘ(ｎ)＋ｄ(ｎ)ꎬ其中ｘ(ｎ)为纯净信号ꎬｄ(ｎ)为噪声信号ꎬ转换为频域ꎬＹ(ｗ)＝Ｘ(ｗ)＋Ｄ(ｗ)ꎮ则根据ＥｐｈｒａｉｍＹ和ＭａｌａｈＤ的论文推导出最优的对数ＭＭＳＥ估计器为㊀＾Ｘｋ＝εｋεｋ＋１ｅｘｐ{１２ʏɕＶｋｅ－ｔｔｄｔ}Ｙｋ＝ＧＬＳＡ(εｋꎬＶｋ)Ｙｋ(１)Ｖｋ＝εｋεｋ＋１γｋ(２)式中ꎬＧＬＳＡ(εｋꎬＶｋ)就是对数ＭＭＳＥ估计器的增益函数ꎮ在这个函数中有两个未知量ꎬ分布式先验信噪比εｋ(可以看做是第ｋ个频谱分量的实际信噪比)和后验信噪比γｋ(可以看做是加入噪声后第ｋ个频谱分量测得的信噪比)ꎮεｋ＝λｘ(ｋ)λｄ(ｋ)γｋ＝Ｙ２ｋλｄ(ｋ)(３)式中ꎬλｘ(ｋ)＝Ｅ{｜Ｘ(ωｋ)｜２}表示纯净信号谱的第ｋ个频谱分量的方差ꎮλｄ(ｋ)＝Ｅ{｜Ｘ(ωｄ)｜２}表示噪声频谱的第ｋ个频谱分量的方差ꎮ从上面式子当中ꎬ只有Ｙ(ｋ)是已知的ꎬ即带噪信号的频域分量ꎮ如果假设噪声是平稳信号ꎬ噪声方差可以用ＶＡＤ检测非语言段来不断更新ꎮ而纯净信号的方差则需要通过一定的方法估算踹ꎬ这里使用的是的是判决引导法ꎬ推导结果为εｋ(ｍ)＝ａＸ２ｋ(ｍ－１)λｄ(ｋꎬｍ－１)＋(１－ａ)ｍａｘ[γｋ(ｍ)－１ꎬ０](４)式中ꎬａ是平滑系数ꎬ一般取０.９８ꎮ整个语音增强系统的框图如图１所示ꎮ图１㊀ＬＯＧＭＭＳＥ算法系统框图１.２㊀ＯＭ－ＬＳＡ[８]ＯＭ￣ＬＳＡ是ＩｓｒａｅｌＣｏｈｅｎ提出的经典单通道音频降噪算法ꎮ该算法基于以下两个假设:Ｈ０(ｋꎬｌ):Ｙ(ｋꎬｌ)＝Ｄ(ｋꎬｌ)Ｈ１(ｋꎬｌ):Ｙ(ｋꎬｌ)＝Ｘ(ｋꎬｌ)＋Ｄ(ｋꎬｌ)(５)式中ꎬＨ１(ｋꎬｌ)和Ｈ０(ｋꎬｌ)分别表示第ｌ帧第ｋ个频率分量有无语音的假设ꎬＹ(ｋꎬｌ)㊁Ｘ(ｋꎬｌ)及Ｄ(ｋꎬｌ)分别表示带噪语音㊁干净语音以及噪声的短时傅里叶变换ꎮ则具有最小均方误差的干净语音对数谱估计可以由下式表示＾Ａ(ｋꎬｌ)＝ｅｘｐ{Ｅ[ｌｇＡ(ｋꎬｌ)｜Ｙ(ｋꎬｌ)]}(６)式中ꎬＡ(ｋꎬｌ)ʉ｜Ｘ(ｋꎬｌ)｜代表语音谱幅度ꎮ在语音存在不确定性条件下ꎬ则有:Ｅ[ｌｇＡ(ｋꎬｌ)｜Ｙ(ｋꎬｌ)]＝Ｅ[ｌｇＡ(ｋꎬｌ)｜Ｙ(ｋꎬｌ)ꎬＨ１(ｋꎬｌ)]ｐ(ｋꎬｌ)＋Ｅ[ｌｇＡ(ｋꎬｌ)｜Ｙ(ｋꎬｌ)ꎬＨ０(ｋꎬｌ)](１－ｐ(ｋꎬｌ))(７)式中ꎬｐ(ｋꎬｌ)ʉＰ(Ｈ１(ｋꎬｌ)｜Ｙ(ｋꎬｌ))ꎬ表示第ｌ帧第６２３１第５期阴法明ꎬ唐於烽:基于深度置信网络的语音增强算法㊀㊀ｋ个频率分量有语音的概率ꎮ当语音不存在时ꎬ为了使噪声听起来比较自然ꎬ规定语音增益函数必须大于一个最小阈值ꎬ即ꎬｅｘｐ{Ｅ[ｌｇＡ(ｋꎬｌ)｜Ｙ(ｋꎬｌ)ꎬＨ０(ｋꎬｌ)]}＝Ｇｍｉｎ ｜Ｙ(ｋꎬｌ)｜(８)当语音存在时ꎬ使用Ｅｐｈｒａｉｍ和Ｍａｌａｈ的对数谱幅度ＬＳＡ噪声估计器ꎬ则有ｅｘｐ{Ｅ[ｌｇＡ(ｋꎬｌ)｜Ｙ(ｋꎬｌ)ꎬＨ１(ｋꎬｌ)]}＝ＧＨ１(ｋꎬｌ) ｜Ｙ(ｋꎬｌ)｜(９)ＧＨ１(ｋꎬｌ)＝ξ(ｋꎬｌ)１＋ξ(ｋꎬｌ)ｅｘｐ１２ʏɕν(ｋꎬｌ)ｅ－ｔｔｄｔæèçöø÷(１０)式中ꎬξ(ｋꎬｌ)＝λｘ(ｋꎬｌ)λｄ(ｋꎬｌ)ꎬγ(ｋꎬｌ)＝｜Ｙ(ｋꎬｌ)｜２λｄ(ｋꎬｌ)分别表示语音的先验信噪比㊁后验信噪比ꎻλｘ(ｋꎬｌ)＝Ｅ[｜Ｘ(ｋꎬｌ)｜２｜Ｈ１(ｋꎬｌ)]ꎬλｄ(ｋꎬｌ)＝Ｅ(｜Ｄ(ｋꎬｌ)｜２)分别为语音和噪声的方差ꎻν(ｋꎬｌ)＝γ(ｋꎬｌ)ξ(ｋꎬｌ)１＋ξ(ｋꎬｌ)ꎮ将式(８)和式(９)代入式(７)式则可得到基于ＯＭ￣ＬＳＡ谱估计器的感觉语音估计ꎬ㊀＾Ｘ(ｋꎬｌ)＝{{ＧＨ１(ｋꎬｌ)}ｐ(ｋꎬｌ)Ｇ１－ｐ(ｋꎬｌ)ｍｉｎ} Ｙ(ｋꎬｌ)(１１)实际计算时ꎬ考虑到语音存在的不确定性ꎬ先验信噪比可由下式计算得到＾ξ(ｋꎬｌ)＝ａＧ２Ｈ１(ｋꎬｌ－１)γ(ｋꎬｌ－１)＋(１－ａ)ｍａｘ{γ(ｋꎬｌ)－１ꎬ０}(１２)权重因子ａ控制噪声去除和语音失真之间的折中ꎮ假设语音和噪声的ＳＴＦＴ系数均服从符合高斯分布ꎬ应用贝叶斯规则ꎬ则语音存在的条件概率为ｐ(ｋꎬｌ)＝１＋ｑ(ｋꎬｌ)１－ｑ(ｋꎬｌ)[１＋ξ(ｋꎬｌ)]ｅｘｐ[－ν(ｋꎬｌ)]㊀㊀{}－１(１３)综上ꎬ语音估计的算法流程图如图２所示ꎮ图２㊀谱增益计算结构框图１.３㊀基于深度置信网络的语音增强算法使用人工神经网络进行语音增强的主要思想是使用语音信号训练人工神经网络ꎬ最终使网络具有去除噪声的能力[４]ꎬ此算法使用到的语音库有带噪声的语音库和对应的纯净语音库[５]ꎮ２００６年ꎬＨｉｎｔｏｎ提出了深度置信网络以及贪婪的逐层无监督训练算法ꎬ很好地解决了深层神经网络训练过程中出现的局部最优和过拟合问题[９]ꎮ由此ꎬ深度神经网络的概念就被提了出来ꎬ其结构图如图３所示ꎮ图３㊀深度神经网络原理图这个结构图由输入层ｖ㊁多个隐含层ｈｋ和输出层组成ꎮ只有相邻层节点之间有连接ꎬ同一层的节点之间无连接ꎬ每个连接都有一个权重值ｗꎮ整个深度神经网络的训练主要由无监督和有监督训练组成ꎮ其训练过程为先用带噪语音的对数功率谱数据尝试训练一个深层的基于受限玻尔兹曼机的生成型模型ꎮ经过逐层贪婪式训练得到初始化网络参数之后ꎬ基于干净语音的对数功率谱特征和增强语音的对数功率谱特征之间的最小均方误差准则的反向错误传播算法来更新整个ＤＮＮ的参数[１７]ꎮ对数功率谱特征的提取:首先对信号进行分帧ꎬ帧重叠为１/２ꎮ然后短时傅里叶变换被用在信号上进行ＤＦＴ系数的计算ꎬ如下所示[４]:Ｙ(ｄ)＝ðＬ－１ｌｙ(ｌ)ｈ(ｌ)ｅ－ｊ２πｄｌ/Ｌ㊀ｄ＝０ꎬ１ꎬ ꎬＬ－１(１４)这里的ｄ是频率维度ꎬｈ(ｌ)表示的窗函数ꎬ这里如果离散傅里叶变换的点数Ｌ如果能增加ꎬ即采样的信息点数更多ꎬ那么输入的特征将包含更多的信息ꎮ对数功率谱可定义如下Ｙ(ｄ)＝ｌｇ｜Ｙ(ｄ)｜２㊀ｄ＝０ꎬ１ꎬ Ｄ－１(１５)这里Ｄ＝Ｌ/２＋１ꎬ而对于ｄ＝Ｄꎬ ꎬＬ－１ꎬＹ(ｄ)可以通过对称准则获得ꎬＹ(ｄ)＝Ｙ(Ｌ－ｄ)ꎮ波形重构㊀利用训练好的ＤＢＮ估计得到感觉语音的对数功率谱特征之后ꎬ根据如下公式对波形进行重构[１２]:＾Ｘ(ｄ)＝ｅｘｐ{＾Ｘ(ｄ)/２}ｅｘｐ{ｊøＹ(ｄ)}(１６)这里的相位信息øＹ(ｄ)是取自原始带噪信号中的ꎬ这是因为人耳对相位的微小变化不敏感ꎮ然后时域波形＾ｘ就可以通过反向离散傅里叶变换重构得到:７２３１电㊀子㊀器㊀件第４１卷＾ｘ(ｌ)＝１Ｌð＾ｘ(ｋ)ｅｊ２πｋｌ/Ｌ(１７)整个句子的波形可以通过经典的重叠相加算法进行合成ꎮ２㊀实验及结果２.１㊀实验设置本次实验的ｗａｖ文件采样率为１６ｋＨｚꎮ在对ＤＢＮ训练的数据是来于ＴＩＭＩＴ语音数据集构建的ꎮ噪声集是由汪德亮实验室公开的１００种噪声ꎮ实验将ＴＩＭＩＴ训练集里的４６２０句感觉语音被用来和噪声相加在一起ꎬ相加的信噪比有２０ｄＢꎬ１５ｄＢꎬ１０ｄＢꎬ５ｄＢꎬ０ｄＢ和－５ｄＢꎬ来构建了近１００ｈ的带噪数据(包含一小部分纯净语音的数据)ꎬ来训练基于ＤＮＮ的语音增强模型ꎮ而ＤＢＮ网络结构为:一个输入层ꎬ一个输出层和３个隐层[９]ꎬ输入层包含２文的帧数为１１帧ꎬ输出１帧数据ꎮ测试数据为从ＴＩＭＩＴ测试集中随机挑选的２００句和ｐｏｃｋｅｔｓｐｈｉｎｘ工程中给出的５条测试语音和５种未用于训练的噪声加在一起ꎬ构成带噪的测试集ꎮ分别用本文提到的３种语音增强方案进行处理ꎮ２.２㊀实验结果和分析２.２.１㊀带噪语音经过不同算法处理结果对比４种信噪比的带噪语音经过Ｌ￣ＭＭＳＥ㊁ＯＭ￣ＬＳＡ和ＤＢＮ语音增强算法的处理ꎬ使用ＰＥＳＱ指标进行评测ꎮ实验结果如表１所示ꎬ同时也抽取了一个测试样本ꎬ绘出其处理前后的语谱图ꎬ如图４所示ꎮ表１㊀带噪语音在不同增强算法下的平均ＰＥＳＱ结果ＮｏｉｓｙＬ￣ＭＭＳＥＯＭ￣ＬＳＡＤＮＮＳＮＲ１５２.６５２.９９３.１０３.６０ＳＮＲ１０２.３２２.６５２.７２３.１０ＳＮＲ０１.６５１.９３２.１１２.４１ＳＮＲ－５１.３８１.５５１.６５１.９７图４㊀语谱图对比ꎬ纯净语音语谱图㊀㊀从图４可以看出ꎬＬ￣ＭＭＳＥ和ＯＭ￣ＬＳＡ在低频段的语音畸变较大ꎬ而ＤＢＮ在低频和高频部分都能保持较高的还原度ꎬ与纯净语音谱的接近程度较高ꎮ这是由于ꎬＬ￣ＭＭＳＥ算法和ＯＭ￣ＬＳＡ算法都是基于语音和噪声不相干ꎬ噪声高斯分布的假设ꎬ这两种假设限制了他们效果的提高ꎬ而ＤＢＮ在基于大数据训练的技术下ꎬ几乎在没有任何假设的情况下生成了语音增强模型ꎬ因此ꎬ在这种没有任何假设的情况下ꎬ保持了较高的语音还原度ꎮ从以上实验结果可以看出ꎬ其中ＬＯＧＭＭＳＥ算法和ＯＭ￣ＬＳＡ算法在语音增强效果上不相上下ꎬ而ＤＢＮ在３种算法中体现出了卓越的性能ꎬ其对增强后的语音质量的提升远远超过前两种算法ꎮ３㊀结论本文研究比较了３种语音增强算法ꎬＬＯＧＭＭＳＥ算法㊁最佳修正对数谱语音估计器(ＯＭ￣ＬＳＡ)和基于深度置信网络(ＤｅｅｐＢｅｌｉｅｆＮｅｔｗｏｒｋ)的语音增强算法ꎮ分８２３１第５期阴法明ꎬ唐於烽:基于深度置信网络的语音增强算法㊀㊀析比较了它们的语音增强效果和计算复杂度ꎮ证明了ＤＢＮ语音增强方法ꎬ具有较好的语音降噪效果ꎮ参考文献:[１]㊀ＭｏｗｌａｅｅＰꎬＫｕｌｍｅｒＪ.ＰｈａｓｅＥｓｔｉｍａｔｉｏｎｉｎＳｉｎｇｌｅ￣ＣｈａｎｎｅｌＳｐｅｅｃｈＥｎｈａｎｃｅｍｅｎｔ:Ｌｉｍｉｔｓ￣Ｐｏｔｅｎｔｉａｌ[Ｊ].ＩＥＥＥ/ＡＣＭＴｒａｎｓａｃｔｉｏｎｓｏｎＡｕｄｉｏＳｐｅｅｃｈａｎｄＬａｎｇｕａｇｅＰｒｏｃｅｓｓｉｎｇꎬ２０１５ꎬ２３(８):１２８３－１２９４. [２]ＰａｓｃｕａｌＳꎬＢｏｎａｆｏｎｔｅＡꎬＳｅｒｒàＪ.ＳＥＧＡＮ:ＳｐｅｅｃｈＥｎｈａｎｃｅｍｅｎｔＧｅｎｅｒａｔｉｖｅＡｄｖｅｒｓａｒｉａｌＮｅｔｗｏｒｋ[Ｊ].２０１７.[３]ＷｅｎｉｎｇｅｒＦꎬＥｒｄｏｇａｎＨꎬＷａｔａｎａｂｅＳꎬｅｔａｌ.ＳｐｅｅｃｈＥｎｈａｎｃｅｍｅｎｔｗｉｔｈＬＳＴＭＲｅｃｕｒｒｅｎｔＮｅｕｒａｌＮｅｔｗｏｒｋｓａｎｄＩｔｓＡｐｐｌｉｃａｔｉｏｎｔｏＮｏｉｓｅ￣ＲｏｂｕｓｔＡＳＲ[Ｍ].ＬａｔｅｎｔＶａｒｉａｂｌｅＡｎａｌｙｓｉｓａｎｄＳｉｇｎａｌＳｅｐａ￣ｒａｔｉｏｎ.ＳｐｒｉｎｇｅｒＩｎｔｅｒｎａｔｉｏｎａｌＰｕｂｌｉｓｈｉｎｇꎬ２０１５:９１－９９.[４]ＸｕＹꎬＤｕＪꎬＤａｉＬＲꎬｅｔａｌ.ＡｎＥｘｐｅｒｉｍｅｎｔａｌＳｔｕｄｙｏｎＳｐｅｅｃｈＥｎ￣ｈａｎｃｅｍｅｎｔＢａｓｅｄｏｎＤｅｅｐＮｅｕｒａｌＮｅｔｗｏｒｋｓ[Ｊ].ＩＥＥＥＳｉｇｎａｌＰｒｏ￣ｃｅｓｓｉｎｇＬｅｔｔｅｒｓꎬ２０１４ꎬ２１(１):６５－６８.[５]徐勇.基于深层神经网络的语音增强方法研究[Ｄ].中国科学技术大学ꎬ２０１５.[６]ＥｐｈｒａｉｍＹꎬＭａｌａｈＤ.ＳｐｅｅｃｈＥｎｈａｎｃｅｍｅｎｔＵｓｉｎｇａＭｉｎｉｍｕｍＭｅａｎ￣ＳｑｕａｒｅＥｒｒｏｒＬｏｇ￣ＳｐｅｃｔｒａｌＡｍｐｌｉｔｕｄｅＥｓｔｉｍａｔｏｒ[Ｊ].ＩＥＥＥＴｒａｎｓａｃｔｉｏｎｓｏｎＡｃｏｕｓｔｉｃｓＳｐｅｅｃｈａｎｄＳｉｇｎａｌＰｒｏｃｅｓｓｉｎｇꎬ１９８５ꎬ３３(２):４４３－４４５.[７]ＥｐｈｒａｉｍＹꎬＭａｌａｈＤ.ＤＭａｌａｈꎬＳｐｅｅｃｈＥｎｈａｎｃｅｍｅｎｔＵｓｉｎｇａＭｉｎ￣ｉｍｕｍＭｅａｎ￣ＳｑｕａｒｅＥｒｒｏｒＳｈｏｒｔ￣ＴｉｍｅＳｐｅｃｔｒａｌＡｍｐｌｉｔｕｄｅＥｓｔｉｍａｔｏｒ[Ｊ].ＩＥＥＥＴｒａｎｓａｃｔｉｏｎｓｏｎＡｃｏｕｓｔｉｃｓＳｐｅｅｃｈａｎｄＳｉｇｎａｌＰｒｏｃｅｓｓ￣ｉｎｇꎬ１９８５ꎬ３２(６):１１０９－１１２１.[８]ＣｏｈｅｎＩꎬＢｅｒｄｕｇｏＢ.ＳｐｅｅｃｈＥｎｈａｎｃｅｍｅｎｔｆｏｒＮｏｎ￣ＳｔａｔｉｏｎａｒｙＮｏｉｓｅＥｎｖｉｒｏｎｍｅｎｔｓ[Ｊ].ＳｉｇｎａｌＰｒｏｃｅｓｓｉｎｇꎬ２００１ꎬ８１(１１):２４０３－２４１８. [９]ＨｉｎｔｏｎＧＥ.ＡＰｒａｃｔｉｃａｌＧｕｉｄｅｔｏＴｒａｉｎｉｎｇＲｅｓｔｒｉｃｔｅｄＢｏｌｔｚｍａｎｎＭａｃｈｉｎｅｓ[Ｊ].Ｍｏｍｅｎｔｕｍꎬ２０１２ꎬ９(１):５９９－６１９.[１０]ＸｕＹꎬＤｕＪꎬＤａｉＬＲꎬｅｔａｌ.ＡＲｅｇｒｅｓｓｉｏｎＡｐｐｒｏａｃｈｔｏＳｐｅｅｃｈＥｎ￣ｈａｎｃｅｍｅｎｔＢａｓｅｄｏｎＤｅｅｐＮｅｕｒａｌＮｅｔｗｏｒｋｓ[Ｊ].ＡｕｄｉｏＳｐｅｅｃｈａｎｄＬａｎｇｕａｇｅＰｒｏｃｅｓｓｉｎｇＩＥＥＥ/ＡＣＭＴｒａｎｓａｃｔｉｏｎｓｏｎꎬ２０１５ꎬ２３(１):７－１９. [１１]ＸｕＹꎬＤｕＪꎬＨｕａｎｇＺꎬｅｔａｌ.Ｍｕｌｔｉ￣ＯｂｊｅｃｔｉｖｅＬｅａｒｎｉｎｇａｎｄＭａｓｋ￣ＢａｓｅｄＰｏｓｔ￣ＰｒｏｃｅｓｓｉｎｇｆｏｒＤｅｅｐＮｅｕｒａｌＮｅｔｗｏｒｋＢａｓｅｄＳｐｅｅｃｈＥｎ￣ｈａｎｃｅｍｅｎｔ[Ｊ].２０１７.[１２]ＡｌｌｅｎＪ.ＳｈｏｒｔＴｅｒｍＳｐｅｃｔｒａｌＡｎａｌｙｓｉｓꎬＳｙｎｔｈｅｓｉｓꎬａｎｄＭｏｄｉｆｉｃａｔｉｏｎｂｙＤｉｓｃｒｅｔｅＦｏｕｒｉｅｒＴｒａｎｓｆｏｒｍ[Ｊ].ＩＥＥＥＴｒａｎｓａｃｔｉｏｎｓｏｎＡｃｏｕｓｔｉｃｓＳｐｅｅｃｈａｎｄＳｉｇｎａｌＰｒｏｃｅｓｓｉｎｇꎬ１９７７ꎬ２５(３):２３５－２３８.[１３]ＨａｎＫꎬＷａｎｇＤＬ.ＮｅｕｒａｌＮｅｔｗｏｒｋＢａｓｅｄＰｉｔｃｈＴｒａｃｋｉｎｇｉｎＶｅｒｙＮｏｉｓｙＳｐｅｅｃｈ[Ｊ].ＡｕｄｉｏＳｐｅｅｃｈａｎｄＬａｎｇｕａｇｅＰｒｏｃｅｓｓｉｎｇＩＥＥＥ/ＡＣＭＴｒａｎｓａｃｔｉｏｎｓｏｎꎬ２０１４ꎬ２２(１２):２１５８－２１６８.[１４]ＨｅａｌｙＥＷꎬＹｏｈｏＳＥꎬＷａｎｇＹꎬｅｔａｌ.ＡｎＡｌｇｏｒｉｔｈｍｔｏＩｍｐｒｏｖｅＳｐｅｅｃｈＲｅｃｏｇｎｉｔｉｏｎｉｎＮｏｉｓｅｆｏｒＨｅａｒｉｎｇ￣ＩｍｐａｉｒｅｄＬｉｓｔｅｎｅｒｓ[Ｊ].ＪｏｕｒｎａｌｏｆｔｈｅＡｃｏｕｓｔｉｃａｌＳｏｃｉｅｔｙｏｆＡｍｅｒｉｃａꎬ２０１４ꎬ１３５(４):３０２９. [１５]ＺｈａｎｇＸＬꎬＷａｎｇＤＬ.ＢｏｏｓｔｉｎｇＣｏｎｔｅｘｔｕａｌＩｎｆｏｒｍａｔｉｏｎｆｏｒＤｅｅｐＮｅｕｒａｌＮｅｔｗｏｒｋＢａｓｅｄＶｏｉｃｅＡｃｔｉｖｉｔｙＤｅｔｅｃｔｉｏｎ[Ｍ].ＩＥＥＥＰｒｅｓｓꎬ２０１６.[１６]ＨｅａｌｙＥＷꎬＹｏｈｏＳＥꎬＷａｎｇＹꎬｅｔａｌ.ＡｎＡｌｇｏｒｉｔｈｍｔｏＩｍｐｒｏｖｅＳｐｅｅｃｈＲｅｃｏｇｎｉｔｉｏｎｉｎＮｏｉｓｅｆｏｒＨｅａｒｉｎｇ￣ＩｍｐａｉｒｅｄＬｉｓｔｅｎｅｒｓ[Ｊ].ＪｏｕｒｎａｌｏｆｔｈｅＡｃｏｕｓｔｉｃａｌＳｏｃｉｅｔｙｏｆＡｍｅｒｉｃａꎬ２０１３ꎬ１３４(４):３０２９. [１７]ＨｉｎｔｏｎＧＥꎬＯｓｉｎｄｅｒｏＳꎬＴｅｈＹＷ.ＡＦａｓｔＬｅａｒｎｉｎｇＡｌｇｏｒｉｔｈｍｆｏｒＤｅｅｐＢｅｌｉｅｆＮｅｔｓ[Ｊ].ＮｅｕｒａｌＣｏｍｐｕｔａｔｉｏｎꎬ２００６ꎬ１８(７):１５２７.阴法明(１９８０－)ꎬ男ꎬ汉族ꎬ山东肥城人ꎬ副教授ꎬ硕士研究生ꎬ研究方向为语音信号处理ꎬｙｉｎｆｍ＠ｎｊｃｉｔ.ｃｎꎮ９２３１。