基于计算听觉场景分析的单信道语音分离

摘要

单信道语音分离(Single-channel speech separation，SCSS)指在无法预知声源先验信息的情况下，仅根据观测到的单路混合信号恢复原声源的过程。计算听觉场景分析(Computational auditory scene analysis，CASA)是解决该问题的一种新方法。它通过寻找语音中感知相关的区分性特征实现语音分离，并避免了对噪声特性的过多假设。
　　当前，CASA的研究主要集中于两个方向:1）数据驱动型CASA;2）基于模型的CASA。前者主要对应于生物快速的、本能的条件反射;而后者主要针对相对缓慢的、高层的推理过程。在应对复杂声场景时，生物所具备的迅速反应能力预示着声源分离的工作很大程度是在底层完成的。有鉴于此，本文对数据驱动型CASA进行了较为深入的研究，其中主要的工作和贡献如下:
　　1.针对短时幅度调制谱(Amplitude modulation spectrum，AMS)分辨率低的特点，提出了一种重分配(reassignment)策略的双话者(Co-channel)语音分离算法。该算法通过可变截止频率的低通滤波器抽取出依子带变化的幅度调制信号(Amplitude Modulation，AM);接着，将抽取出的AM信号谱(spectrum)上的每一能量点重新放置，有效实现了信号成分的会聚，并缓解了时间分辨率和频率分辨率的矛盾。实验结果表明，基于重分配AMS的语音分离方法具有明显改善的性能。
　　2.受Schroeder直方图、Goldstein听觉感知理论以及Meddis“相关图”(Correlo-gram)的启发，提出了一种基于“高斯图”(Gaussgram)的多基音(multi-pitch)检测算法。“高斯图”通过采用可变带宽的高斯函数修正“相关图”得到，具有抑制次谐波(sub-harmonics)的特点。将其用于检测基音，单帧基音检测的半频错误明显减少。另一方面，该方法采用检测得到的主基音轨迹消除其次谐波轨迹，进一步抑制了半频错误。系统评估表明，提出的多基音检测算法具有更少的倍/半频错误。
　　3.提出了一种多层感知器的量化门限自适应新方法，从而给出一种改进的多层感知器(Multi-layer perceptron，MLP)。将该MLP嵌入CASA计算框架，可以提高系统在训练和测试信噪比(Signal-to-noise ratio，SNR)不匹配条件下的鲁棒性，减少性能的下滑。对比实验表明，该方法可以改善分离系统在不同SNR下的性能。

目录

声明

致谢

摘要

主要术语对照表

1 绪论

1．1 引言

1．2 盲源分离的发展简史

1．3 单信道语音分离的研究进展

1．3．1 单信道盲源分离

1．3．2 基于模型的方法

1．3．3 计算听觉场景分析

1．4 计算听觉场景分析的应用

1．5 存在的问题

1．6 本文的主要工作与组织结构

2 计算听觉场景分析基础

2．1 引言

2．2 听觉信息处理

2．2．1 听觉的生理基础

2．2．2 感声机制

2．2．3 听觉的中枢处理

2．3 计算听觉场景分析类算法基础

2．3．1 计算听觉场景分析类算法框架

2．3．2 听觉外围处理

2．3．3 特征抽取

2．3．4 时-频掩蔽

2．4 计算听觉场景分析类算法的评估

2．5 本章小结

3 基于幅度调制谱分析的双话者语音分离

3．1 引言

3．2 算法框架

3．2．1 听觉外围处理和特征抽取

3．2．2 重分配幅度调制谱

3．2．3 基于基音的单元标记

3．3 实验评估

3．3．1 语料库

3．3．2 实验结果

3．3．3 参数选择

3．4 结论

4 一种基于高斯图的多基音检测算法

4．1 引言

4．2 Schroeder直方图、Goldstein听觉感知理论以及相关图

4．3 基于多基音检测的单声道语音分离

4．3．1 听觉外围处理和特征抽取

4．3．2 基于Goldstein基音理论和Schroeder直方图的多基音检测

4．3．3 时-频单元标记

4．3．4 切分和组合

4．4 实验评估

4．4．1 语料

4．4．2 基音检测评估

4．4．3 浊音分离性能评估

4．5 结论

5 不匹配信噪比环境下的单信道语音分离

5．1 引言

5．2 系统总览

5．2．1 听觉外围处理和特征抽取

5．2．2 基于MLP的时-频单元标记

5．2．3 切分和组合

5．3 自适应门限估计

5．4 实验评估

5．4．1 测评数据集

5．4．2 实验结果

5．5 结论

6 结论和展望

6．1 本文总结

6．2 研究展望

参考文献

作者简历

攻读博士学位期间发表和已投稿的学术论文

学位论文数据集