CN115862581A - 一种重复模式噪声的二次消除方法及系统 - Google Patents
一种重复模式噪声的二次消除方法及系统 Download PDFInfo
- Publication number
- CN115862581A CN115862581A CN202310093040.4A CN202310093040A CN115862581A CN 115862581 A CN115862581 A CN 115862581A CN 202310093040 A CN202310093040 A CN 202310093040A CN 115862581 A CN115862581 A CN 115862581A
- Authority
- CN
- China
- Prior art keywords
- signal
- denoised
- repetitive pattern
- pattern noise
- noise
- 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
- 238000000034 method Methods 0.000 title claims abstract description 34
- 238000003379 elimination reaction Methods 0.000 title claims abstract description 17
- 230000008030 elimination Effects 0.000 title claims abstract description 16
- 230000003252 repetitive effect Effects 0.000 claims abstract description 71
- 230000005236 sound signal Effects 0.000 claims abstract description 65
- 238000001228 spectrum Methods 0.000 claims abstract description 63
- 238000013528 artificial neural network Methods 0.000 claims abstract description 27
- 230000009467 reduction Effects 0.000 claims abstract description 26
- 125000004122 cyclic group Chemical group 0.000 claims abstract description 23
- 238000000605 extraction Methods 0.000 claims description 6
- 230000009466 transformation Effects 0.000 claims description 6
- 230000000306 recurrent effect Effects 0.000 claims description 4
- 238000009432 framing Methods 0.000 claims description 3
- 230000015654 memory Effects 0.000 claims description 3
- 230000007547 defect Effects 0.000 abstract description 2
- 238000010586 diagram Methods 0.000 description 6
- 230000008569 process Effects 0.000 description 5
- 238000012545 processing Methods 0.000 description 4
- 230000000694 effects Effects 0.000 description 3
- 230000002441 reversible effect Effects 0.000 description 3
- 230000003595 spectral effect Effects 0.000 description 3
- 238000004364 calculation method Methods 0.000 description 2
- 238000013527 convolutional neural network Methods 0.000 description 2
- 230000003247 decreasing effect Effects 0.000 description 2
- 238000012360 testing method Methods 0.000 description 2
- 230000006978 adaptation Effects 0.000 description 1
- 230000003044 adaptive effect Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000000052 comparative effect Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000001914 filtration Methods 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 230000007787 long-term memory Effects 0.000 description 1
- 238000003754 machining Methods 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 210000000056 organ Anatomy 0.000 description 1
- 230000000737 periodic effect Effects 0.000 description 1
- 230000002085 persistent effect Effects 0.000 description 1
- 238000011946 reduction process Methods 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
- 230000006403 short-term memory Effects 0.000 description 1
- 238000010183 spectrum analysis Methods 0.000 description 1
Images
Landscapes
- Soundproofing, Sound Blocking, And Sound Damping (AREA)
Abstract
本发明涉及一种重复模式噪声的二次消除方法,具体包括:获取一次降噪后的待降噪声信号,提取待降噪声信号,得到待降噪声信号的包络谱,根据包络谱判断待降噪声信号是否存在重复模式噪声,若是,将待降噪声信号输入卷积循环神经网络,得到重复模式噪声的抵消声信号,使用抵消声信号对待降噪声信号进行二次消除。本发明的方法可以分析主动降噪后剩余声信号是否具有重复模式噪声,从而对具有重复模式部分的声信号通过卷积循环神经网络得到这部分重复模式噪声的抵消声信号,进而将主动降噪后剩余声信号中的重复模式噪声消除,解决现有主动降噪方案因为时变特性而无法对重复模式噪声进行消除的缺陷。
Description
技术领域
本发明属于噪声消除技术领域,具体涉及一种重复模式噪声的二次消除方法及系统。
背景技术
常规主动降噪过程中,外部噪声被参考麦克风收到参考噪声信号N(x),DSP中将噪声信号反幅度反相位处理生成降噪信号发出,噪声信号与降噪信号叠加后剩余误差信号e(x)被误差麦克风录取,DSP二次处理优化降噪信号,最终将残留误差e’(x)输出到听觉器官。
其中DSP中自适应滤波由于噪声的时变特性导致最终总是出现残留误差e’(x),换句话说,如果一个噪声具有时变特性,则很难被自适应滤波过滤,从而使得现有的主动降噪方法对于具有时变特性的噪声几乎无降噪效果。
但在现有的差旅及车间环境下,具有时变特性的重复模式噪声极其常见,如铁路铁轨的颠簸噪声、或工厂机器的加工噪声等重复模式噪声。这些噪声难以被现有的主动降噪方法消除,但却较大程度影响主动降噪用户的听觉体验。
因此需要一种重复模式噪声的二次消除方法,在主动降噪基础上再次消除具有重复模式的噪声,从而进一步消除无法被现有主动降噪消除的重复模式噪声,提高主动降噪的降噪效果。
发明内容
基于现有技术中存在的上述缺点和不足,本发明的目的之一是至少解决现有技术中存在的上述问题之一或多个,换言之,本发明的目的之一是提供满足前述需求之一或多个的一种重复模式噪声的二次消除方法及系统。
为了达到上述发明目的,本发明采用以下技术方案:
第一方面,本发明提供一种重复模式噪声的二次消除方法,具体包括如下步骤:
S1、获取一次降噪后的待降噪声信号;
S2、提取待降噪声信号,得到待降噪声信号的包络谱;
S3、根据包络谱判断待降噪声信号是否存在重复模式噪声,若是,进入步骤S4;
S4、将待降噪声信号输入卷积循环神经网络,得到重复模式噪声的抵消声信号;
S5、使用抵消声信号对待降噪声信号进行二次消除。
作为优选方案,步骤S2具体包括:
S21、对待降噪声信号进行希尔伯特变换,得到解析信号;
S22、对解析信号求模,得到包络信号;
S23、对包络信号进行傅里叶变换,得到待降噪声信号的包络谱。
作为优选方案,步骤S3中,根据包络谱判断待降噪声信号是否存在重复模式噪声具体为:判断包络谱中是否存在某一频谱分量大于预设的重复阈值。
作为优选方案,步骤S4具体包括:
S41、将待降噪声信号以预设窗口宽度分为若干帧;
S42、对若干帧分别进行傅里叶变换,得到若干帧的复信号;
S43、将若干帧的复信号输入预训练的卷积循环神经网络,得到重复模式噪声的抵消声信号。
作为进一步优选的方案,步骤S43具体包括:
S431、将若干帧的复信号输入预训练的卷积循环神经网络,得到重复模式噪声的抵消声信号的实谱与虚谱;
S432、对重复模式噪声的抵消声信号的实谱与虚谱进行反傅里叶变换,得到重复模式噪声的抵消声信号。
作为进一步优选的方案,预训练的卷积循环神经网络具体包括依次连接的卷积层、长短期记忆层、反卷积层。
另一方面,本发明还提供一种重复模式噪声的二次消除系统,包括:
声信号输入模块,用于获取一次降噪后的待降噪声信号;
包络谱提取模块,用于提取待降噪声信号,得到待降噪声信号的包络谱;
判断模块,用于根据包络谱判断待降噪声信号是否存在重复模式噪声;
卷积循环神经网络模块,用于计算待降噪声信号,得到重复模式噪声的抵消声信号;
二次消除模块,用于使用抵消声信号对待降噪声信号进行二次消除。
作为优选方案,包络谱提取模块具体包括:
变换单元,用于对待降噪声信号进行希尔伯特变换,得到解析信号;
求模单元,用于对解析信号求模,得到包络信号;
求包络谱单元,用于对包络信号进行傅里叶变换,得到待降噪声信号的包络谱。
作为优选方案,卷积循环神经网络模块具体包括:
分帧单元,用于将待降噪声信号以预设窗口宽度分为若干帧;
复信号单元,用于对若干帧分别进行傅里叶变换,得到若干帧的复信号;
计算单元,用于将若干帧的复信号输入预训练的卷积循环神经网络,得到重复模式噪声的抵消声信号。
作为优选方案,判断模块包含设定单元,设定单元用于设定重复模式噪声判断的重复阈值。
本发明与现有技术相比,有益效果是:
本发明的方法可以分析主动降噪后剩余声信号是否具有重复模式噪声,从而对具有重复模式部分的声信号通过卷积循环神经网络得到这部分重复模式噪声的抵消声信号,进而将主动降噪后剩余声信号中的重复模式噪声消除,解决现有主动降噪方案因为时变特性而无法对重复模式噪声进行消除的缺陷。
附图说明
图1是本申请实施例的一种重复模式噪声的二次消除方法的流程图;
图2是本申请实施例的包络信号示意图;
图3是本申请实施例的包络谱示意图;
图4是本申请实施例的卷积神经网络的结构示意图;
图5是本申请实施例的存在火车轨道声的待降噪声信号示意图;
图6是本申请实施例的某一测试的时频谱的对比示意图。
具体实施方式
下面将结合本申请实施例中的附图,对本申请实施例中的技术方案进行清楚、完整地描述。
在下述介绍中提供了本申请的多个实施例,不同实施例之间可以替换或者合并组合,因此本申请也可认为包含所记载的相同和/或不同实施例的所有可能组合。因而,如果一个实施例包含特征A、B、C,另一个实施例包含特征B、D,那么本申请也应视为包括含有A、B、C、D的一个或多个所有其他可能的组合的实施例,尽管该实施例可能并未在以下内容中有明确的文字记载。
下面的描述提供了示例,并且不对权利要求书中阐述的范围、适用性或示例进行限制。可以在不脱离本申请内容的范围的情况下,对描述的元素的功能和布置做出改变。各个示例可以适当省略、替代或添加各种过程或组件。例如所描述的方法可以以所描述的顺序不同的顺序来执行,并且可以添加、省略或组合各种步骤。此外,可以将关于一些示例描述的特征组合到其他示例中。
本申请提供一种重复模式噪声的二次消除方法,其流程图如图1所示,具体包括如下步骤:
S1、获取一次降噪后的待降噪声信号。
其中,由于重复模式的噪声信号一般具有时变特性,而不是稳定于某一频率的持续性噪音,因此使用常规的主动降噪方法,无法对重复性噪声信号进行有效消除。如果原始声信号中包含了重复模式的噪声信号,则在一次降噪后的待降噪声信号中仍保留了该重复模式噪声。本发明着手于该点,在主动降噪后对其中遗留的重复模式噪声进行二次消除。
S2、提取待降噪声信号,得到待降噪声信号的包络谱。
包络谱对周期性声信号比较敏感,能够剔除不必要的频率干扰,更能够凸显重复模式噪声的特征频率,因此借助包络谱分析能够识别待降噪声信号中是否存在重复模式噪声。
在本申请的某些优选实施例中,步骤S2具体包括如下步骤:
S21、对待降噪声信号进行希尔伯特变换,得到解析信号。
设待降噪声信号为e’(t),将希尔伯特变换定义为待降噪声信号与1/пt的卷积,即:
AnalyticSiganl(e’(t)) =HilberTransfrom=e’(t)*(1/πt),其中*表示卷积。
S22、对解析信号求模,得到包络信号。
对解析信号的求模过程使用如下公式:
Envelope(e’(t)) = |AnalyticSiganl(e’(t))|。
在某一实施例中,对某一待降噪声信号的解析信号求模所得到的包络信号示意图如图2所示。
S23、对包络信号进行傅里叶变换,得到待降噪声信号的包络谱。
傅里叶变换过程使用如下公式:
EnvelopeSpectrum(e’(t)=Ƒ(Envelope(e’(t))。
基于上述的实施例,对上述图2的包络信号进行傅里叶变换得到的包络谱示意图如图3所示。
从图3中可以看出,包络谱将待降噪声信号以不同频谱分别求得分量,根据分量的大小可以判断该频率是否存在重复模式,某一频谱的分量越高,则其存在重复模式的概率越大。
在通过步骤S2得到待降噪声信号的包络谱后,执行步骤S3、根据包络谱判断待降噪声信号是否存在重复模式噪声,若是,进入步骤S4。
此处使用预先设置的重复阈值进行判断,由于某一频谱分量越大,则其存在重复模式的概率越大,因此若待降噪声信号的包络谱中存在超过重复阈值的频谱分量,则认为该待降噪声信号中存在重复模式的噪声,进入步骤S4,开始对重复模式噪声进行二次消除处理。例如,设定重复阈值为0.07,则图3的包络谱中5HZ的频谱分量超过0.07,认为图3所对应的待降噪声信号中存在重复模式噪声。
而如果不存在超过重复阈值的频谱分量,则认为该待降噪声信号中不存在重复模式噪声,无需二次消除处理。
在确认存在重复模式噪声后,二次消除过程如下:步骤S4、将待降噪声信号输入卷积循环神经网络,得到重复模式噪声的抵消声信号。
在本申请的某些实施例中,步骤S4的信号处理流程如图4所示,具体包括如下步骤:
S41、将待降噪声信号以预设窗口宽度分为若干帧,在设定的采样率下、以设定的窗口宽度将待降噪声信号分为多个帧片段。
例如,在某一实施例中,可以根据待降噪声信号的长度计算出将其拆分为512个帧片段所需的窗口宽度,然后用该窗口宽度将其分为512个帧片段。
S42、对若干帧分别进行傅里叶变换,得到若干帧的复信号。具体的,步骤S42中,对每个帧片段分别进行一次傅里叶变换,将每个帧片段转换为一个复信号。
S43、将若干帧的复信号输入预训练的卷积循环神经网络,得到重复模式噪声的抵消声信号。
将上述若干帧所得到的全部复信号共同输入卷积循环神经网络,利用预训练的卷积循环神经网络从待降噪信号中预测出抵消信号。
上述卷积神经网络的结构同样如图4所示,在编码器和解码器之间设置长短期记忆层,编码器中包括N层卷积层,在解码器中包括N层解卷积层,使编码器和解码器实现对称设计。图4中Encoder为编码器,Decoder为解码器,FFT为傅里叶变换层,Conv为卷积层,Deconv为反卷积层,iFFT为反傅里叶变换。LSTM为长短期记忆层。卷积核在编码器中逐步增加,在解码器中逐步减少,编码器和解码器都使用2*2内核,映射的特征维度在编码器中逐渐减少,在解码器中逐渐增加,输入与输出长度保持一致。
上述预训练的卷积循环神经网络通过预生成的数据集训练,数据集中包含重复模式噪声的声信号,及数据集中重复模式噪声相抵消的抵消声信号。
作为一种更具体的实现,上述步骤S43具体包括两个步骤:
S431、将若干帧的复信号输入预训练的卷积循环神经网络,得到重复模式噪声的抵消声信号的实谱与虚谱。
S432、对重复模式噪声的抵消声信号的实谱与虚谱进行反傅里叶变换,得到重复模式噪声的抵消声信号。
在步骤S4中通过卷积循环神经网络得到抵消声信号以后,执行步骤S5、使用抵消声信号对待降噪声信号进行二次消除,从而将存在重复模式噪声的待降噪声信号中的重复模式噪声抵消。
具体的,抵消声信号是待降噪声信号中重复模式噪声部分的反向,将抵消声信号与待降噪声信号叠加以后,即可将其中的重复模式噪声抵消,达成二次消除效果。
基于上述实施例,对存在火车轨道声的噪声进行如下二次消除测试:
如图5所示是存在火车轨道声的待降噪声信号的音频图像,对其应用常规主动降噪方法及本申请的二次消除方法后的时频谱的对比如图6所示,图6中三张图的横坐标为其中从上至下数第一个的时频谱为原始声信号的时频谱,第二个时频谱为主动降噪后的待降噪声信号的时频谱,第三个时频谱为进行了本申请的二次消除后的声信号的时频谱。可以通过上述时频谱看出应用本申请的方法以后,重复的轨道声部分得到明显消除。
另外,本申请的实施例还提供了一种重复模式噪声的二次消除系统,用于执行上述实施例中的方法,包括:
声信号输入模块,用于获取一次降噪后的待降噪声信号;
包络谱提取模块,用于提取待降噪声信号,得到待降噪声信号的包络谱;
判断模块,用于根据包络谱判断待降噪声信号是否存在重复模式噪声;
卷积循环神经网络模块,用于计算待降噪声信号,得到重复模式噪声的抵消声信号;
二次消除模块,用于使用抵消声信号对待降噪声信号进行二次消除。
与上述实施例中的步骤S2的具体实施过程相对应,在本申请的某些实施例中,包络谱提取模块具体包括:
变换单元,用于对待降噪声信号进行希尔伯特变换,得到解析信号;
求模单元,用于对解析信号求模,得到包络信号;
求包络谱单元,用于对包络信号进行傅里叶变换,得到待降噪声信号的包络谱。
与上述实施例中的步骤S4的具体实施过程相对应,在本申请的某些实施例中,卷积循环神经网络模块具体包括:
分帧单元,用于将待降噪声信号以预设窗口宽度分为若干帧;
复信号单元,用于对若干帧分别进行傅里叶变换,得到若干帧的复信号;
计算单元,用于将若干帧的复信号输入预训练的卷积循环神经网络,得到重复模式噪声的抵消声信号。
在某些实施例中,判断模块中包含设定单元,设定单元用于设定重复模式噪声判断的重复阈值,以供上述方法S3根据重复阈值对重复模式噪声进行判断。
需要说明的是,对于前述的各方法实施例,为了简单描述,故将其都表述为一系列的动作组合,但是本领域技术人员应该知悉,本申请并不受所描述的动作顺序的限制,因为依据本申请,某些步骤可以采用其他顺序或者同时进行。其次,本领域技术人员也应该知悉,说明书中所描述的实施例均属于优选实施例,所涉及的动作和模块并不一定是本申请所必须的。
在上述实施例中,对各个实施例的描述都各有侧重,某个实施例中没有详述的部分,可以参见其他实施例的相关描述。
另外,在本申请各个实施例中的各功能单元可以集成在一个处理单元中,也可以是各个单元单独物理存在,也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现,也可以采用软件功能单元的形式实现。
以上所述者,仅为本公开的示例性实施例,不能以此限定本公开的范围。即但凡依本公开教导所作的等效变化与修饰,皆仍属本公开涵盖的范围内。本领域技术人员在考虑说明书及实践这里的公开后,将容易想到本公开的其实施方案。本申请旨在涵盖本公开的任何变型、用途或者适应性变化,这些变型、用途或者适应性变化遵循本公开的一般性原理并包括本公开未记载的本技术领域中的公知常识或惯用技术手段。说明书和实施例仅被视为示例性的,本公开的范围和精神由权利要求限定。
Claims (10)
1.一种重复模式噪声的二次消除方法,其特征在于,具体包括如下步骤:
S1、获取一次降噪后的待降噪声信号;
S2、提取所述待降噪声信号,得到所述待降噪声信号的包络谱;
S3、根据所述包络谱判断所述待降噪声信号是否存在重复模式噪声,若是,进入步骤S4;
S4、将所述待降噪声信号输入卷积循环神经网络,得到所述重复模式噪声的抵消声信号;
S5、使用所述抵消声信号对所述待降噪声信号进行二次消除。
2.如权利要求1所述的一种重复模式噪声的二次消除方法,其特征在于,所述步骤S2具体包括:
S21、对所述待降噪声信号进行希尔伯特变换,得到解析信号;
S22、对所述解析信号求模,得到包络信号;
S23、对所述包络信号进行傅里叶变换,得到所述待降噪声信号的包络谱。
3.如权利要求1所述的一种重复模式噪声的二次消除方法,其特征在于,所述步骤S3中,所述根据所述包络谱判断所述待降噪声信号是否存在重复模式噪声具体为:判断所述包络谱中是否存在某一频谱分量大于预设的重复阈值。
4.如权利要求1所述的一种重复模式噪声的二次消除方法,其特征在于,步骤S4具体包括:
S41、将所述待降噪声信号以预设窗口宽度分为若干帧;
S42、对所述若干帧分别进行傅里叶变换,得到所述若干帧的复信号;
S43、将所述若干帧的复信号输入预训练的卷积循环神经网络,得到所述重复模式噪声的抵消声信号。
5.如权利要求4所述的一种重复模式噪声的二次消除方法,其特征在于,所述步骤S43具体包括:
S431、将所述若干帧的复信号输入预训练的卷积循环神经网络,得到所述重复模式噪声的抵消声信号的实谱与虚谱;
S432、对所述重复模式噪声的抵消声信号的实谱与虚谱进行反傅里叶变换,得到所述重复模式噪声的抵消声信号。
6.如权利要求4所述的一种重复模式噪声的二次消除方法,其特征在于,所述预训练的卷积循环神经网络具体包括依次连接的卷积层、长短期记忆层、反卷积层。
7.一种重复模式噪声的二次消除系统,其特征在于,包括:
声信号输入模块,用于获取一次降噪后的待降噪声信号;
包络谱提取模块,用于提取所述待降噪声信号,得到所述待降噪声信号的包络谱;
判断模块,用于根据所述包络谱判断所述待降噪声信号是否存在重复模式噪声;
卷积循环神经网络模块,用于计算所述待降噪声信号,得到所述重复模式噪声的抵消声信号;
二次消除模块,用于使用所述抵消声信号对所述待降噪声信号进行二次消除。
8.如权利要求7所述的一种重复模式噪声的二次消除系统,其特征在于,所述包络谱提取模块具体包括:
变换单元,用于对所述待降噪声信号进行希尔伯特变换,得到解析信号;
求模单元,用于对所述解析信号求模,得到包络信号;
求包络谱单元,用于对所述包络信号进行傅里叶变换,得到所述待降噪声信号的包络谱。
9.如权利要求7所述的一种重复模式噪声的二次消除系统,其特征在于,所述卷积循环神经网络模块具体包括:
分帧单元,用于将所述待降噪声信号以预设窗口宽度分为若干帧;
复信号单元,用于对所述若干帧分别进行傅里叶变换,得到所述若干帧的复信号;
计算单元,用于将所述若干帧的复信号输入预训练的卷积循环神经网络,得到所述重复模式噪声的抵消声信号。
10.如权利要求7所述的一种重复模式噪声的二次消除系统,其特征在于,所述判断模块包含设定单元,所述设定单元用于设定重复模式噪声判断的重复阈值。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310093040.4A CN115862581A (zh) | 2023-02-10 | 2023-02-10 | 一种重复模式噪声的二次消除方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310093040.4A CN115862581A (zh) | 2023-02-10 | 2023-02-10 | 一种重复模式噪声的二次消除方法及系统 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN115862581A true CN115862581A (zh) | 2023-03-28 |
Family
ID=85657881
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310093040.4A Pending CN115862581A (zh) | 2023-02-10 | 2023-02-10 | 一种重复模式噪声的二次消除方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115862581A (zh) |
Citations (14)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US5854993A (en) * | 1996-12-10 | 1998-12-29 | Caterpillar Inc. | Component machine testing using neural network processed vibration data analysis |
US20060116873A1 (en) * | 2003-02-21 | 2006-06-01 | Harman Becker Automotive Systems - Wavemakers, Inc | Repetitive transient noise removal |
US20120076315A1 (en) * | 2003-02-21 | 2012-03-29 | Qnx Software Systems Co. | Repetitive Transient Noise Removal |
CN111968613A (zh) * | 2020-08-24 | 2020-11-20 | 湖南工业大学 | 一种主动控制车辆全局空间噪声的卷积-模糊神经网络方法 |
CN112309411A (zh) * | 2020-11-24 | 2021-02-02 | 深圳信息职业技术学院 | 相位敏感的门控多尺度空洞卷积网络语音增强方法与系统 |
CN113571080A (zh) * | 2021-02-08 | 2021-10-29 | 腾讯科技(深圳)有限公司 | 语音增强方法、装置、设备及存储介质 |
CN113889068A (zh) * | 2021-11-03 | 2022-01-04 | 中国科学院声学研究所 | 一种主动噪声消除方法、装置、电子设备和存储介质 |
CN114121031A (zh) * | 2021-12-08 | 2022-03-01 | 思必驰科技股份有限公司 | 设备语音降噪、电子设备和存储介质 |
CN114566176A (zh) * | 2022-02-23 | 2022-05-31 | 苏州蛙声科技有限公司 | 基于深度神经网络的残余回声消除方法及系统 |
CN114974280A (zh) * | 2022-05-12 | 2022-08-30 | 北京百度网讯科技有限公司 | 音频降噪模型的训练方法、音频降噪的方法及装置 |
CN115394310A (zh) * | 2022-08-19 | 2022-11-25 | 中邮消费金融有限公司 | 一种基于神经网络的背景人声去除方法及系统 |
CN115424627A (zh) * | 2021-06-01 | 2022-12-02 | 南京大学 | 基于卷积循环网络和wpe算法的语音增强混合处理方法 |
CN115440240A (zh) * | 2022-08-31 | 2022-12-06 | 恒玄科技(上海)股份有限公司 | 语音降噪的训练方法、语音降噪系统及语音降噪方法 |
CN115641867A (zh) * | 2022-10-20 | 2023-01-24 | 荣耀终端有限公司 | 语音处理方法和终端设备 |
-
2023
- 2023-02-10 CN CN202310093040.4A patent/CN115862581A/zh active Pending
Patent Citations (14)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US5854993A (en) * | 1996-12-10 | 1998-12-29 | Caterpillar Inc. | Component machine testing using neural network processed vibration data analysis |
US20060116873A1 (en) * | 2003-02-21 | 2006-06-01 | Harman Becker Automotive Systems - Wavemakers, Inc | Repetitive transient noise removal |
US20120076315A1 (en) * | 2003-02-21 | 2012-03-29 | Qnx Software Systems Co. | Repetitive Transient Noise Removal |
CN111968613A (zh) * | 2020-08-24 | 2020-11-20 | 湖南工业大学 | 一种主动控制车辆全局空间噪声的卷积-模糊神经网络方法 |
CN112309411A (zh) * | 2020-11-24 | 2021-02-02 | 深圳信息职业技术学院 | 相位敏感的门控多尺度空洞卷积网络语音增强方法与系统 |
CN113571080A (zh) * | 2021-02-08 | 2021-10-29 | 腾讯科技(深圳)有限公司 | 语音增强方法、装置、设备及存储介质 |
CN115424627A (zh) * | 2021-06-01 | 2022-12-02 | 南京大学 | 基于卷积循环网络和wpe算法的语音增强混合处理方法 |
CN113889068A (zh) * | 2021-11-03 | 2022-01-04 | 中国科学院声学研究所 | 一种主动噪声消除方法、装置、电子设备和存储介质 |
CN114121031A (zh) * | 2021-12-08 | 2022-03-01 | 思必驰科技股份有限公司 | 设备语音降噪、电子设备和存储介质 |
CN114566176A (zh) * | 2022-02-23 | 2022-05-31 | 苏州蛙声科技有限公司 | 基于深度神经网络的残余回声消除方法及系统 |
CN114974280A (zh) * | 2022-05-12 | 2022-08-30 | 北京百度网讯科技有限公司 | 音频降噪模型的训练方法、音频降噪的方法及装置 |
CN115394310A (zh) * | 2022-08-19 | 2022-11-25 | 中邮消费金融有限公司 | 一种基于神经网络的背景人声去除方法及系统 |
CN115440240A (zh) * | 2022-08-31 | 2022-12-06 | 恒玄科技(上海)股份有限公司 | 语音降噪的训练方法、语音降噪系统及语音降噪方法 |
CN115641867A (zh) * | 2022-10-20 | 2023-01-24 | 荣耀终端有限公司 | 语音处理方法和终端设备 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US10580430B2 (en) | Noise reduction using machine learning | |
CN109767783B (zh) | 语音增强方法、装置、设备及存储介质 | |
US8010355B2 (en) | Low complexity noise reduction method | |
US8724798B2 (en) | System and method for acoustic echo cancellation using spectral decomposition | |
EP2031583B1 (en) | Fast estimation of spectral noise power density for speech signal enhancement | |
US9570062B2 (en) | Method and device for self-adaptively eliminating noises | |
CN110797041B (zh) | 语音降噪处理方法、装置、计算机设备及存储介质 | |
US9390718B2 (en) | Audio signal restoration device and audio signal restoration method | |
CN112185405B (zh) | 一种基于差分运算和联合字典学习的骨导语音增强方法 | |
KR20110024969A (ko) | 음성신호에서 통계적 모델을 이용한 잡음 제거 장치 및 방법 | |
CN115862581A (zh) | 一种重复模式噪声的二次消除方法及系统 | |
Prabhakaran et al. | Tamil speech enhancement using non-linear spectral subtraction | |
Ramar et al. | A Hybrid MFWT Technique for Denoising Audio Signals | |
CN103270772B (zh) | 信号处理设备、信号处理方法 | |
CN114220451A (zh) | 音频消噪方法、电子设备和存储介质 | |
CN113593599A (zh) | 一种去除语音信号中噪声信号的方法 | |
CN113870884B (zh) | 单麦克风噪声抑制方法和装置 | |
Mohammed | Development of two-input adaptive noise canceller for wideband and narrowband noise signals | |
CN114822577B (zh) | 语音信号基频估计方法和装置 | |
US20240161766A1 (en) | Robustness/performance improvement for deep learning based speech enhancement against artifacts and distortion | |
Chatlani et al. | Speech enhancement using adaptive empirical mode decomposition | |
Saxena et al. | Musical noise reduction capability of various speech enhancement algorithms | |
JP6027804B2 (ja) | 雑音抑圧装置およびそのプログラム | |
Shafi et al. | Transform Based Speech Enhancement Using DCT Based MMSE Filter, & Its Comparison With DFT Filter | |
Ykhlef | An efficient solution to improve the spectral noise suppression rules |
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 | ||
RJ01 | Rejection of invention patent application after publication | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20230328 |