CN114520000A - 信号修正模型训练方法、信号修正方法、装置及设备 - Google Patents
信号修正模型训练方法、信号修正方法、装置及设备 Download PDFInfo
- Publication number
- CN114520000A CN114520000A CN202210102325.5A CN202210102325A CN114520000A CN 114520000 A CN114520000 A CN 114520000A CN 202210102325 A CN202210102325 A CN 202210102325A CN 114520000 A CN114520000 A CN 114520000A
- Authority
- CN
- China
- Prior art keywords
- signal
- training
- signals
- correlation coefficient
- model
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
- 238000012549 training Methods 0.000 title claims abstract description 102
- 238000012937 correction Methods 0.000 title claims abstract description 93
- 238000000034 method Methods 0.000 title claims abstract description 66
- 230000004048 modification Effects 0.000 claims description 47
- 238000012986 modification Methods 0.000 claims description 47
- 238000004590 computer program Methods 0.000 claims description 22
- 230000003993 interaction Effects 0.000 claims description 18
- 238000002715 modification method Methods 0.000 claims description 13
- 238000012545 processing Methods 0.000 abstract description 16
- 238000013528 artificial neural network Methods 0.000 abstract description 4
- 230000000875 corresponding effect Effects 0.000 description 17
- 238000010586 diagram Methods 0.000 description 13
- 230000008569 process Effects 0.000 description 8
- 230000006870 function Effects 0.000 description 7
- 238000004891 communication Methods 0.000 description 6
- 230000000694 effects Effects 0.000 description 4
- 230000003287 optical effect Effects 0.000 description 4
- 230000009471 action Effects 0.000 description 3
- 102100026436 Regulator of MON1-CCZ1 complex Human genes 0.000 description 2
- 101710180672 Regulator of MON1-CCZ1 complex Proteins 0.000 description 2
- 238000007792 addition Methods 0.000 description 2
- 238000004364 calculation method Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 238000001914 filtration Methods 0.000 description 2
- 238000006467 substitution reaction Methods 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 230000002596 correlated effect Effects 0.000 description 1
- 239000000835 fiber Substances 0.000 description 1
- 230000005055 memory storage Effects 0.000 description 1
- 238000003062 neural network model Methods 0.000 description 1
- 230000002093 peripheral effect Effects 0.000 description 1
- 238000011084 recovery Methods 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 230000003595 spectral effect Effects 0.000 description 1
- 238000012546 transfer Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G10—MUSICAL INSTRUMENTS; ACOUSTICS
- G10L—SPEECH ANALYSIS TECHNIQUES OR SPEECH SYNTHESIS; SPEECH RECOGNITION; SPEECH OR VOICE PROCESSING TECHNIQUES; SPEECH OR AUDIO CODING OR DECODING
- G10L15/00—Speech recognition
- G10L15/06—Creation of reference templates; Training of speech recognition systems, e.g. adaptation to the characteristics of the speaker's voice
- G10L15/063—Training
-
- G—PHYSICS
- G10—MUSICAL INSTRUMENTS; ACOUSTICS
- G10L—SPEECH ANALYSIS TECHNIQUES OR SPEECH SYNTHESIS; SPEECH RECOGNITION; SPEECH OR VOICE PROCESSING TECHNIQUES; SPEECH OR AUDIO CODING OR DECODING
- G10L15/00—Speech recognition
- G10L15/08—Speech classification or search
- G10L15/16—Speech classification or search using artificial neural networks
-
- G—PHYSICS
- G10—MUSICAL INSTRUMENTS; ACOUSTICS
- G10L—SPEECH ANALYSIS TECHNIQUES OR SPEECH SYNTHESIS; SPEECH RECOGNITION; SPEECH OR VOICE PROCESSING TECHNIQUES; SPEECH OR AUDIO CODING OR DECODING
- G10L15/00—Speech recognition
- G10L15/06—Creation of reference templates; Training of speech recognition systems, e.g. adaptation to the characteristics of the speaker's voice
- G10L15/063—Training
- G10L2015/0635—Training updating or merging of old and new templates; Mean values; Weighting
Landscapes
- Engineering & Computer Science (AREA)
- Artificial Intelligence (AREA)
- Computational Linguistics (AREA)
- Health & Medical Sciences (AREA)
- Audiology, Speech & Language Pathology (AREA)
- Human Computer Interaction (AREA)
- Physics & Mathematics (AREA)
- Acoustics & Sound (AREA)
- Multimedia (AREA)
- Evolutionary Computation (AREA)
- Circuit For Audible Band Transducer (AREA)
Abstract
本申请实施例提供了一种信号修正模型训练方法、信号修正方法、装置及设备。其中信号修正模型训练方法包括:获取训练信号,所述训练信号包括:多组一一对应的信号,所述一一对应的信号的相关系数大于或等于第一预设阈值;分别对每组一一对应的信号中的其中一个信号添加预设噪声信号,得到目标训练信号;基于所述目标训练信号对初始信号修正模型进行训练,得到信号修正模型。通过实施本发明,能够基于满足相关系数条件的信号训练神经网络得到修正模型,并利用模型对不满足相关系数条件的待修正信号进行修正,使修正后的信号满足相关系数条件,避免在后续利用相关系数进行信号处理时获得的处理结果不准确。
Description
技术领域
本申请属于信号处理技术领域,尤其涉及一种信号修正模型训练方法信号修正方法、装置及设备。
背景技术
目前,在对语音信号进行采集时,主要通过语音交互设备采集,但在实际的采集过程中,由于语音交互设备中各麦克风的质量等差异,往往使采集的信号数据存在误差,理论上具有强相关性的信号在实际计算时相关性较差。对于采集的数据的误差,在后续进行信号处理时,也会进一步影响处理结果,获得的结果准确性较低。
发明内容
本申请实施例提供一种信号修正模型训练方法、信号修正方法、装置及设备,能够对信号进行修正,使修正后的信号之间具有较强的相关性,获得更准确的分析处理结果。
第一方面,本申请实施例提供了一种信号修正模型训练方法,包括:
获取训练信号,训练信号包括:多组一一对应的信号,一一对应的信号的相关系数大于或等于第一预设阈值;
分别对每组一一对应的信号中的其中一个信号添加预设噪声信号,得到目标训练信号;
基于目标训练信号对初始信号修正模型进行训练,得到信号修正模型。
第二方面,本申请实施例提供一种信号修正方法,包括:
获取待修正信号,待修正信号为与基准信号的相关系数小于第一预设阈值的信号;
将待修正信号输入信号修正模型,得到修正后的信号,信号修正模型根据第一方面的信号修正模型训练方法训练得到。
第三方面,本申请实施例提供了一种信号修正模型训练装置,包括:
获取模块,用于获取训练信号,训练信号包括:多组一一对应的信号,所述一一对应的信号的相关系数大于或等于第一预设阈值;
添加模块,用于分别对每组组一一对应的信号中的其中一个信号添加预设噪声信号,得到目标训练信号;
训练模块,用于基于目标训练信号对初始信号修正模型进行训练,得到信号修正模型。
第四方面,本申请实施例提供了一种信号修正装置,包括:
获取模块,用于获取待修正信号,待修正信号为与基准信号的相关系数小于第一预设阈值的信号;
输入模块,用于将待修正信号输入修正模型,得到修正后的信号,修正模型根据第一方面的信号修正模型训练方法训练得到。
第五方面,本申请实施例提供了一种信号修正设备,包括:
处理器,以及存储有计算机程序指令的存储器;
处理器读取并执行计算机程序指令,以实现第一方面的信号修正模型训练方法,或者处理器读取并执行计算机程序指令,以实现第二方面的信号修正方法。
第六方面,本申请实施例提供了一种计算机存储介质,计算机存储介质上存储有计算机程序指令,计算机程序指令被处理器执行时实现第一方面的信号修正模型训练方法,或者计算机程序指令被处理器执行时实现第二方面的信号修正方法。
第七方面,本申请实施例提供了一种计算机程序产品,计算机程序产品中的指令由电子设备的处理器执行时,使得电子设备执行第一方面的信号修正模型训练方法,或者计算机程序产品中的指令由电子设备的处理器执行时,使得电子设备执行第二方面的信号修正方法。
本申请实施例的信号修正模型训练方法、信号修正方法、装置及设备,能够根据满足相关性条件的信号训练神经网络得到信号修正模型,并利用修正模型对待修正信号进行修正,得到修正后的信号,修正后的信号能够满足相关系数条件,在后续利用信号相关系数进行信号处理时,避免出现处理结果不准确的问题。
附图说明
为了更清楚地说明本申请实施例的技术方案,下面将对本申请实施例中所需要使用的附图作简单的介绍,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他的附图。
图1是本申请实施例提供的一种信号修正模型训练方法的流程示意图;
图2是本申请实施例提供的一种信号修正方法的流程示意图;
图3是本申请实施例提供的一种信号修正模型训练装置的结构示意图;
图4是本申请实施例提供的一种信号修正装置的结构示意图;
图5是本申请实施例提供的一种信号修正设备的结构示意图。
具体实施方式
下面将详细描述本申请的各个方面的特征和示例性实施例,为了使本申请的目的、技术方案及优点更加清楚明白,以下结合附图及具体实施例,对本申请进行进一步详细描述。应理解,此处所描述的具体实施例仅意在解释本申请,而不是限定本申请。对于本领域技术人员来说,本申请可以在不需要这些具体细节中的一些细节的情况下实施。下面对实施例的描述仅仅是为了通过示出本申请的示例来提供对本申请更好的理解。
需要说明的是,在本文中,诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来,而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且,术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含,从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素,而且还包括没有明确列出的其他要素,或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下,由语句“包括……”限定的要素,并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。
目前,由于语音交互设备中麦克风质量的好坏等因素,在采集语音数据的信号时,理论上具有强相关性的信号,在实际计算时会出现相关性不高的情况,在后续利用相关系数进行滤波操作时,会出现滤波结果不准确的情况。
为了解决现有技术问题,本申请实施例提供了一种信号修正模型训练方法、信号修正方法、装置及设备。下面首先对本申请实施例所提供的信号修正方法进行介绍。
图1示出了本申请一个实施例提供的信号修正模型训练方法的流程示意图。如图1所示,该方法可以包括以下步骤:
S110、获取训练信号,训练信号包括:多组一一对应的信号,一一对应的信号的相关系数大于或等于第一预设阈值。
示例性地,该训练信号可以是从数据库中获取的,也可以是利用语音交互设备采集到的,该语音交互设备包括至少两个音频采集设备,具体地,语音交互设备获取多个语音交互设备中至少两个音频采集设备采集同一语音数据的信号,确定其中一一对应的信号之间相关系数大于或等于第一预设阈值的信号作为训练信号。
其中,第一预设阈值可以设置为0.8,本发明实施例对该第一预设阈值不作具体限定,本领域技术人员可以根据实际情况确定。
S120、分别对每组一一对应的信号中的其中一个信号添加预设噪声信号,得到目标训练信号。
示例性地,该训练信号可以用A-B表示,对训练信号中一一对应的信号中的其中一个信号A添加预设的噪声信号,得到噪声信号A′,将得到的添加噪声后的多组一一对应的信号作为目标训练信号。其中噪声信号可以为高斯噪声信号。添加噪声后的信号A′应满足与A对应的信号B的相关系数Y(A′,B)小于第二预设阈值的条件。
在一种示例中,第二预设阈值设置为0.5,本发明实施例对该第二预设阈值不作具体限定,本领域技术人员可以根据实际情况确定。
S130、基于目标训练信号对初始信号修正模型进行训练,得到信号修正模型。
利用信号A′和预设条件对初始信号修正模型进行训练,当初始信号修正模型基于输入的信号A′,得到的输出信号与信号B的相关系数大于第三预设阈值时,该初始信号修正模型即为信号修正模型。其中,第三预设阈值可以设置,对此不作限定;初始信号修正模型为神经网络模型。
在一些实施例中,获取训练信号包括:获取语音交互设备中至少两个音频采集设备采集同一语音数据的信号;计算至少两个音频采集设备采集的信号中两两信号的相关系数;将相关系数大于或等于第一预设阈值的信号确定为训练信号。分别获取语音交互设备中至少两个音频采集设备采集同一语音数据的信号,计算其中两两信号之间的相关系数,当相关系数大于第一预设阈值时,确定该相关系数对应的两个信号确定为训练信号。其中,音频采集设备可以为麦克风。
在一些实施例中,基于目标训练信号对初始信号修正模型进行训练,得到信号修正模型,包括:将目标训练信号输入到初始信号修正模型中进行加权,得到目标输出信号;将目标输出信号满足预设条件的初始信号修正模型确定为信号修正模型。在训练初始信号修正模型时,神经网络通过对添加噪声信号后的信号进行加权,得到输出信号。具体地,对添加噪声信号后的信号的特征进行加权,例如信号的频谱特征等。当训练的初始信号修正模型输出的信号与添加噪声信号后的信号对应的信号的相关系数大于第三预设阈值时,确定初始信号修正模型为信号修正模型,此时信号修正模型输出的信号与添加噪声信号后的信号对应的信号具有相关性。其中,信号的相关性的强弱可以通过第三预设阈值表示,第三预设阈值可以设置,对此不作限定。
在一些实施例中,预设条件可以为误差函数小于第四预设阈值。其中误差函数error为:
error=(Y(A,B)-Y(A′,B))2
其中,A为添加噪声信号前的信号,B为信号A对应的信号,A′为添加噪声信号后的信号,Y(A,B)为信号A和信号B的相关系数,Y(A′,B)为信号A′和信号B的相关系数。第四预设阈值可以设置,对此不作限定。
本申请实施例提供的信号修正模型训练方法,能够基于满足相关性条件信号对初始信号修正模型进行训练,通过对信号进行加权,使训练好的信号修正模型能够对不满足阈值条件的待修正信号进行修正。
图2示出了本申请一个实施例提供的信号修正方法的流程示意图。如图2所示,该方法可以包括以下步骤:
S210、获取待修正信号,待修正信号为与基准信号的相关系数小于第一预设阈值的信号。
获取语音交互设备中音频采集设备采集的信号,计算其与基准信号的相关系数,当相关系数小于第一预设阈值时,确定信号为待修正信号。其中,第一预设阈值可以设置,对此不作限定。
在一种示例中,信号的相关性和相关系数Y关系如下:Y<0.5时,两个信号呈弱相关性;0.5≤Y≤0.8时,两个信号呈相关性;0.8≤Y≤1时,两个信号呈强相关性,第一预设阈值取0.8。
S220、将待修正信号输入信号修正模型,得到修正后的信号,信号修正模型根据上述的信号修正模型训练方法训练得到。
将获取的待修正信号输入修正模型,修正模型对待修正信号进行加权,输出得到修正后的信号。其中,修正模型是基于上述的信号修正模型训练方法训练得到的。
本申请实施例提供的信号修正方法,能够基于信号之间的相关系数确定待修正信号,并利用满足相关系数条件的信号训练得到信号修正模型。通过训练好的修正模型对待修正信号进行修正,使修正后的信号满足相应的相关系数条件,在后续利用相关系数进行信号处理时,能够获得准确结果。
在一些实施例中,获取待修正信号,包括:获取语音交互设备中至少两个音频采集设备分别采集同一语音数据的信号;计算两两音频采集设备采集的信号的相关系数;根据相关系数确定待修正信号。获取多个语音交互设备中至少两个音频采集设备采集同一语音数据的信号,计算每个语音交互设备中至少两个音频采集设备采集的信号中两两信号的相关系数,确定与基准信号的相关系数小于第一预设阈值的信号为待修正信号。
在一些实施例中,根据相关系数确定待修正信号,包括:根据相关系数确定与至少一个信号的相关系数大于第一预设阈值的信号为基准信号;确定与基准信号的相关系数小于第一预设阈值的信号为待修正信号。根据计算的每个语音交互设备中至少两个音频采集设备采集的信号中两两信号的相关系数,确定与至少一个信号的相关系数大于第一预设阈值的信号为基准信号,并进一步确定与基准信号的相关系数小于第一预设阈值的信号为待修正信号。
在一些实施例中,当确定Mic_1信号和Mic_2信号具有强相关性,且Mic_1信号和Mic_3信号不具有强相关性时,确定Mic_3信号为需要修正的信号。
本申请实施例提供的信号修正方法,能够根据信号之间的相关系数确定待修正信号,通过修正模型对待修正信号进行修正,使修正后的模型满足相关系数条件,在后续利用信号相关系数进行信号处理时,避免出现处理结果不准确的问题。
图3是本申请实施例提供的一种信号修正模型训练装置300结构示意图。如图3所示,该装置可以包括获取模块310、添加模块320和训练模块330。
获取模块310,用于获取训练信号,训练信号包括:多组一一对应的信号,一一对应的信号的相关系数大于或等于第一预设阈值;
添加模块320,用于分别对每组一一对应的信号中的其中一个信号添加预设噪声信号,得到目标训练信号;
训练模块330,用于基于目标训练信号对初始信号修正模型进行训练,得到信号修正模型。
本申请实施例提供的信号修正模型训练装置,能够基于满足阈值条件信号对初始信号修正模型进行训练,通过对信号进行加权,使训练好的信号修正模型能够对不满足阈值条件的信号进行修正。
在一些实施例中,获取模块310,用于获取训练信号,包括:获取模块310,用于获取语音交互设备中至少两个音频采集设备分别采集同一语音数据的信号;计算模块340,用于计算至少两个音频采集设备采集的信号中两两信号的相关系数;确定模块350,用于将相关系数大于或等于第一预设阈值的信号确定为训练信号。
在一些实施例中,训练模块330,用于基于目标训练信号对初始信号修正模型进行训练,得到信号修正模型,包括:加权模块360,用于将目标训练信号输入到初始信号模型中进行加权,得到目标输出信号;确定模块350,用于将目标输出信号满足预设条件的初始信号修正模型确定为信号修正模型。
本申请实施例提供的信号修正模型训练装置,能够基于相关性较强的一一对应的信号和噪声信号对初始信号修正模型进行训练,通过加权的方式,使训练好的信号修正模型能够对待修正信号进行修正,使修正后的信号满足相关性条件,在后续信号处理时,可以获得准确结果。
图4是本申请实施例提供的一种信号修正装置400结构示意图。如图4所示,该装置可以包括获取模块410和输入模块420。
获取模块410,用于获取待修正信号,待修正信号为与基准信号的相关系数小于第一预设阈值的信号。
输入模块420,用于将待修正信号输入信号修正模型,得到修正后的信号,修正模型根据上述的信号修正模型训练方法训练得到。
本申请实施例提供的信号修正装置,能够基于信号之间的相关系数确定待修正信号,并利用满足相关系数条件的信号训练得到信号修正模型。通过训练好的修正模型对待修正信号进行修正,使修正后的信号满足相应的相关系数条件,在后续利用相关系数进行信号处理时,能够获得准确结果。
在一些实施例中,获取模块410,用于获取待修正信号,包括:获取模块410,用于获取语音交互设备中至少两个音频采集设备分别采集同一语音数据的信号;计算模块430,用于计算两两音频设备采集的信号的相关系数;确定模块440,用于根据相关系数确定待修正信号。
在一些实施例中,确定模块440用于根据相关系数确定待修正信号,包括:确定模块440,根据相关系数确定与至少一个信号的相关系数大于第一预设阈值的信号为基准信号;确定与基准信号的相关系数小于第一预设阈值的信号为待修正信号。
本申请实施例提供的信号修正装置,能够利用信号之间的相关性训练神经网络,得到信号修正模型。同时,根据信号之间的相关系数确定待修正信号,通过修正模型对待修正信号进行修正,使修正后的模型满足相关系数条件,在后续利用信号相关系数进行信号处理时,避免出现处理结果不准确的问题。
图3所示装置中的各个模块具有实现图1中各个步骤的功能,并能达到其相应的技术效果,为简洁描述,在此不再赘述。
图4所示装置中的各个模块具有实现图2中各个步骤的功能,并能达到其相应的技术效果,为简洁描述,在此不再赘述。
图5示出了本申请实施例提供的信号修正设备的硬件结构示意图。
在信号修正设备可以包括处理器501以及存储有计算机程序指令的存储器502。
具体地,上述处理器501可以包括中央处理器(Central Processing Unit,CPU),或者特定集成电路(Application Specific Integrated Circuit,ASIC),或者可以被配置成实施本申请实施例的一个或多个集成电路。
存储器502可以包括用于数据或指令的大容量存储器。举例来说而非限制,存储器502可包括硬盘驱动器(Hard Disk Drive,HDD)、软盘驱动器、闪存、光盘、磁光盘、磁带或通用串行总线(Universal Serial Bus,USB)驱动器或者两个或更多个以上这些的组合。在一个实例中,存储器502可以包括可移除或不可移除(或固定)的介质,或者存储器502是非易失性固态存储器。存储器502可在综合网关容灾设备的内部或外部。
在一个实例中,存储器502可包括只读存储器(ROM),随机存取存储器(RAM),磁盘存储介质设备,光存储介质设备,闪存设备,电气、光学或其他物理/有形的存储器存储设备。因此,通常,存储器502包括一个或多个编码有包括计算机可执行指令的软件的有形(非暂态)计算机可读存储介质(例如,存储器设备),并且当该软件被执行(例如,由一个或多个处理器)时,其可操作来执行参考根据本申请的一方面的方法所描述的操作。
处理器501通过读取并执行存储器502中存储的计算机程序指令,以实现图1所示实施例中的方法/步骤S110至S130,并达到图1所示实例执行其方法/步骤达到的相应技术效果,或者,以实现图2所示实施例中的方法/步骤S110至S120,并达到图2所示实例执行其方法/步骤达到的相应技术效果为简洁描述在此不再赘述。
在一个示例中,信号修正设备还可包括通信接口503和总线510。其中,如图5所示,处理器501、存储器502、通信接口503通过总线510连接并完成相互间的通信。
通信接口503,主要用于实现本申请实施例中各模块、装置、单元和/或设备之间的通信。
总线510包括硬件、软件或两者,将信号修正设备的部件彼此耦接在一起。举例来说而非限制,总线可包括加速图形端口(Accelerated Graphics Port,AGP)或其他图形总线、增强工业标准架构(Extended Industry Standard Architecture,EISA)总线、前端总线(Front Side Bus,FSB)、超传输(Hyper Transport,HT)互连、工业标准架构(IndustryStandard Architecture,ISA)总线、无限带宽互连、低引脚数(LPC)总线、存储器总线、微信道架构(MCA)总线、外围组件互连(PCI)总线、PCI-Express(PCI-X)总线、串行高级技术附件(SATA)总线、视频电子标准协会局部(VLB)总线或其他合适的总线或者两个或更多个以上这些的组合。在合适的情况下,总线510可包括一个或多个总线。尽管本申请实施例描述和示出了特定的总线,但本申请考虑任何合适的总线或互连。
该信号修正设备可以基于信号之间的相关系数和修正模型执行本申请实施例中的信号修正方法,从而实现结合图1描述的信号修正模型训练方法,或者实现结合图2描述的信号修正方法。
另外,结合上述实施例中的信号修正方法,本申请实施例可提供一种计算机存储介质来实现。该计算机存储介质上存储有计算机程序指令;该计算机程序指令被处理器执行时实现上述实施例中的任意一种信号修正方法。
本申请实施例提供一种计算机程序产品,其特征在于,计算机程序产品中的指令由电子设备的处理器执行时,使得电子设备执行上述信号修正方法。
需要明确的是,本申请并不局限于上文所描述并在图中示出的特定配置和处理。为了简明起见,这里省略了对已知方法的详细描述。在上述实施例中,描述和示出了若干具体的步骤作为示例。但是,本申请的方法过程并不限于所描述和示出的具体步骤,本领域的技术人员可以在领会本申请的精神后,作出各种改变、修改和添加,或者改变步骤之间的顺序。
以上所述的结构框图中所示的功能块可以实现为硬件、软件、固件或者它们的组合。当以硬件方式实现时,其可以例如是电子电路、专用集成电路(Application SpecificIntegrated Circuit,ASIC)、适当的固件、插件、功能卡等等。当以软件方式实现时,本申请的元素是被用于执行所需任务的程序或者代码段。程序或者代码段可以存储在机器可读介质中,或者通过载波中携带的数据信号在传输介质或者通信链路上传送。“机器可读介质”可以包括能够存储或传输信息的任何介质。机器可读介质的例子包括电子电路、半导体存储器设备、ROM、闪存、可擦除ROM(EROM)、软盘、CD-ROM、光盘、硬盘、光纤介质、射频(RadioFrequency,RF)链路,等等。代码段可以经由诸如因特网、内联网等的计算机网络被下载。
还需要说明的是,本申请中提及的示例性实施例,基于一系列的步骤或者装置描述一些方法或系统。但是,本申请不局限于上述步骤的顺序,也就是说,可以按照实施例中提及的顺序执行步骤,也可以不同于实施例中的顺序,或者若干步骤同时执行。
上面参考根据本申请的实施例的方法、装置(系统)和计算机程序产品的流程图和/或框图描述了本申请的各方面。应当理解,流程图和/或框图中的每个方框以及流程图和/或框图中各方框的组合可以由计算机程序指令实现。这些计算机程序指令可被提供给通用计算机、专用计算机、或其它可编程数据处理装置的处理器,以产生一种机器,使得经由计算机或其它可编程数据处理装置的处理器执行的这些指令使能对流程图和/或框图的一个或多个方框中指定的功能/动作的实现。这种处理器可以是但不限于是通用处理器、专用处理器、特殊应用处理器或者现场可编程逻辑电路。还可理解,框图和/或流程图中的每个方框以及框图和/或流程图中的方框的组合,也可以由执行指定的功能或动作的专用硬件来实现,或可由专用硬件和计算机指令的组合来实现。
以上所述,仅为本申请的具体实施方式,所属领域的技术人员可以清楚地了解到,为了描述的方便和简洁,上述描述的系统、模块和单元的具体工作过程,可以参考前述方法实施例中的对应过程,在此不再赘述。应理解,本申请的保护范围并不局限于此,任何熟悉本技术领域的技术人员在本申请揭露的技术范围内,可轻易想到各种等效的修改或替换,这些修改或替换都应涵盖在本申请的保护范围之内。
Claims (11)
1.一种信号修正模型训练方法,其特征在于,包括:
获取训练信号,所述训练信号包括:多组一一对应的信号,所述一一对应的信号的相关系数大于或等于第一预设阈值;
分别对每组一一对应的信号中的其中一个信号添加预设噪声信号,得到目标训练信号;
基于所述目标训练信号对初始信号修正模型进行训练,得到信号修正模型。
2.根据权利要求1所述的方法,其特征在于,所述获取训练信号,包括:
获取语音交互设备中至少两个音频采集设备分别采集同一语音数据的信号;
计算所述至少两个音频采集设备采集的信号中两两信号的相关系数;
将所述相关系数大于或等于所述第一预设阈值的信号确定为所述训练信号。
3.根据权利要求1所述的方法,其特征在于,所述基于所述目标训练信号对初始信号修正模型进行训练,得到信号修正模型,包括:
将所述目标训练信号输入到所述初始信号修正模型中进行加权,得到目标输出信号;
将所述目标输出信号满足预设条件的初始信号修正模型确定为所述信号修正模型。
4.一种信号修正方法,其特征在于,包括:
获取待修正信号,所述待修正信号为与基准信号的相关系数小于第一预设阈值的信号;
将所述待修正信号输入信号修正模型,得到修正后的信号,所述信号修正模型根据权利要求1-3任一项所述的信号修正模型训练方法训练得到。
5.根据权利要求4所述的方法,其特征在于,所述获取待修正信号,包括:
获取语音交互设备中至少两个音频采集设备分别采集同一语音数据的信号;
计算两两音频采集设备采集的信号的相关系数;
根据所述相关系数确定待修正信号。
6.根据权利要求5所述的方法,其特征在于,所述根据所述相关系数确定待修正信号,包括:
根据所述相关系数确定与至少一个信号的相关系数大于第一预设阈值的信号为所述基准信号;
确定与所述基准信号的相关系数小于第一预设阈值的信号为所述待修正信号。
7.一种信号修正模型训练装置,其特征在于,所述装置包括:
获取模块,用于获取训练信号,所述训练信号包括:多组一一对应的信号,所述一一对应的信号的相关系数大于或等于第一预设阈值;
添加模块,用于分别对所述每组一一对应的信号中的其中一个信号添加预设噪声信号,得到目标训练信号;
训练模块,用于基于所述目标训练信号对初始信号修正模型进行训练,得到信号修正模型。
8.一种信号修正装置,其特征在于,所述装置包括:
获取模块,用于获取待修正信号,所述待修正信号为与基准信号的相关系数小于第一预设阈值的信号;
输入模块,用于将所述待修正信号输入修正模型,得到修正后的信号,所述修正模型根据权利要求1-3任一项所述的信号修正模型训练方法训练得到。
9.一种信号修正设备,其特征在于,所述信号修正设备包括:处理器,以及存储有计算机程序指令的存储器;
所述处理器读取并执行所述计算机程序指令,以实现如权利要求1-3任一项所述的信号修正模型训练方法或者如权利要求4-6任意一项所述的信号修正方法。
10.一种计算机存储介质,其特征在于,所述计算机存储介质上存储有计算机程序指令,所述计算机程序指令被处理器执行时实现如权利要求1-3任一项所述的信号修正模型训练方法或者如权利要求4-6任意一项所述的信号修正方法。
11.一种计算机程序产品,其特征在于,所述计算机程序产品中的指令由电子设备的处理器执行时,使得所述电子设备执行如权利要求1-3任一项所述的信号修正模型训练方法或者如权利要求4-6任意一项所述的信号修正方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210102325.5A CN114520000A (zh) | 2022-01-27 | 2022-01-27 | 信号修正模型训练方法、信号修正方法、装置及设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210102325.5A CN114520000A (zh) | 2022-01-27 | 2022-01-27 | 信号修正模型训练方法、信号修正方法、装置及设备 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN114520000A true CN114520000A (zh) | 2022-05-20 |
Family
ID=81597269
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210102325.5A Pending CN114520000A (zh) | 2022-01-27 | 2022-01-27 | 信号修正模型训练方法、信号修正方法、装置及设备 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114520000A (zh) |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111710344A (zh) * | 2020-06-28 | 2020-09-25 | 腾讯科技(深圳)有限公司 | 一种信号处理方法、装置、设备及计算机可读存储介质 |
CN111783142A (zh) * | 2020-07-06 | 2020-10-16 | 北京字节跳动网络技术有限公司 | 数据保护方法、装置、服务器和介质 |
CN113241088A (zh) * | 2021-07-09 | 2021-08-10 | 北京达佳互联信息技术有限公司 | 语音增强模型的训练方法及装置、语音增强方法及装置 |
CN113707163A (zh) * | 2021-08-31 | 2021-11-26 | 北京达佳互联信息技术有限公司 | 语音处理方法及其装置和模型训练方法及其装置 |
-
2022
- 2022-01-27 CN CN202210102325.5A patent/CN114520000A/zh active Pending
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111710344A (zh) * | 2020-06-28 | 2020-09-25 | 腾讯科技(深圳)有限公司 | 一种信号处理方法、装置、设备及计算机可读存储介质 |
CN111783142A (zh) * | 2020-07-06 | 2020-10-16 | 北京字节跳动网络技术有限公司 | 数据保护方法、装置、服务器和介质 |
CN113241088A (zh) * | 2021-07-09 | 2021-08-10 | 北京达佳互联信息技术有限公司 | 语音增强模型的训练方法及装置、语音增强方法及装置 |
CN113707163A (zh) * | 2021-08-31 | 2021-11-26 | 北京达佳互联信息技术有限公司 | 语音处理方法及其装置和模型训练方法及其装置 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112200273B (zh) | 数据标注方法、装置、设备及计算机存储介质 | |
CN111565174A (zh) | 车辆质量信息确定模型训练方法及车辆质量信息确定方法 | |
CN112949785B (zh) | 对象检测方法、装置、设备及计算机存储介质 | |
CN116935836A (zh) | 语音端点检测方法、装置、设备及存储介质 | |
CN114520000A (zh) | 信号修正模型训练方法、信号修正方法、装置及设备 | |
CN114417830A (zh) | 风险评价方法、装置、设备及计算机可读存储介质 | |
CN114520006A (zh) | 信号修正方法、装置、设备、存储介质及计算机程序产品 | |
CN112749998A (zh) | 收入信息输出方法、装置、电子设备及计算机存储介质 | |
CN114495972A (zh) | 信号修正方法、装置、设备、存储介质及计算机程序产品 | |
CN113283450A (zh) | 图像识别方法、装置、设备及计算机存储介质 | |
CN102904838B (zh) | 判断干扰边界的方法和装置 | |
CN113382441B (zh) | 一种识别伴随用户的方法、装置、设备及可读存储介质 | |
CN110987945A (zh) | 缺陷检测方法、检测装置及触控显示面板的检测方法 | |
CN114547101B (zh) | 数据中台的数据质量评估方法、装置、设备及存储介质 | |
CN114374387A (zh) | 模数转换方法、装置、设备及计算机存储介质 | |
CN115604067A (zh) | 一种信号的定时同步方法、装置、电子设备及存储介质 | |
CN118803227A (zh) | 视频通话的质量评估方法、装置、设备及存储介质 | |
CN118098276A (zh) | 故障检测方法、装置、设备、存储介质及车辆 | |
CN115278371A (zh) | 视频质差内容源的定位方法、装置、设备及存储介质 | |
CN115359330A (zh) | 一种数据处理方法、装置、设备及存储介质 | |
CN114662924A (zh) | 科技企业早期创新能力评价方法及其装置、设备、介质 | |
CN117745413A (zh) | 企业信用评估方法、装置、设备和介质 | |
CN116775673A (zh) | 多数据源的数据整合方法及其装置、设备、介质、产品 | |
CN115827208A (zh) | 流式计算数据的处理方法、装置、设备及计算机存储介质 | |
CN118632156A (zh) | 音频处理方法、装置、设备、存储介质及车辆 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination |