9、基于卷积神经网络的语音降噪模型研究

基于卷积神经网络的语音降噪模型研究

在语音处理领域，如何有效去除语音中的噪声和混响，提高语音质量和可懂度一直是研究的热点。本文将介绍基于卷积神经网络（CNN）的语音降噪模型，包括GCT - Net和CTS - Net的结构、损失函数、实验设置以及结果分析。

1. GCT - Net模型结构与损失函数

GCT - Net模型在编码器和解码器中，主要涉及到步长（Stride）、通道数（ChannelNum）等参数，在S - TCMs模块中，涉及核大小（KernelSize）、膨胀率（DilationRate）和通道数（ChannelNum）。输入通道数用δ表示。

在每个Conv - GLU块中，时间轴上的核大小设置为2，频率轴上的核大小在第一个块中设置为5，后续块中设置为3。步长设置为(1, 2)，这样可以逐渐将频率大小减半，而时间大小保持不变。每个卷积层的通道数为64，并且在每个卷积层之后采用实例归一化和PReLU层。

解码器的架构与编码器类似，将所有的Conv - GLUs替换为Deconv - GLUs，并且在每个Conv - GLU和Deconv - GLU对之间引入了跳跃连接。

在GCT - Net的瓶颈部分，采用了三组堆叠的S - TCMs来逐步捕获长范围的时间信息，每组有六个S - TCM单元，其膨胀率呈指数增加，即(1, 2, 4, 8, 16, 32)。需要注意的是，由堆叠S - TCMs组成的模块是因果的，因为推断当前帧输出不需要未来帧。

损失函数方面，采用了均方误差（MSE）与幅度约束和复谱约束相结合的方式。具体损失函数如下：
[
L_{gct}=\alpha L_{gct}^{RI