JP6910609B2 - 信号解析装置、方法、及びプログラム - Google Patents
信号解析装置、方法、及びプログラム Download PDFInfo
- Publication number
- JP6910609B2 JP6910609B2 JP2018163563A JP2018163563A JP6910609B2 JP 6910609 B2 JP6910609 B2 JP 6910609B2 JP 2018163563 A JP2018163563 A JP 2018163563A JP 2018163563 A JP2018163563 A JP 2018163563A JP 6910609 B2 JP6910609 B2 JP 6910609B2
- Authority
- JP
- Japan
- Prior art keywords
- constituent
- sound
- spectrogram
- constituent sound
- signal
- 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.)
- Active
Links
- 238000000034 method Methods 0.000 title description 39
- 239000000470 constituent Substances 0.000 claims description 147
- 238000000926 separation method Methods 0.000 claims description 66
- 239000011159 matrix material Substances 0.000 claims description 53
- 239000013598 vector Substances 0.000 claims description 49
- 230000006870 function Effects 0.000 claims description 31
- 238000004458 analytical method Methods 0.000 claims description 26
- 239000006185 dispersion Substances 0.000 claims description 7
- 239000000203 mixture Substances 0.000 claims description 3
- 238000001228 spectrum Methods 0.000 description 16
- 238000013528 artificial neural network Methods 0.000 description 12
- 238000004422 calculation algorithm Methods 0.000 description 10
- 230000008569 process Effects 0.000 description 8
- 238000012545 processing Methods 0.000 description 7
- 238000004364 calculation method Methods 0.000 description 5
- 229940050561 matrix product Drugs 0.000 description 4
- 238000010586 diagram Methods 0.000 description 3
- 230000003595 spectral effect Effects 0.000 description 3
- 238000013459 approach Methods 0.000 description 2
- 230000008901 benefit Effects 0.000 description 2
- 238000007796 conventional method Methods 0.000 description 2
- 238000013135 deep learning Methods 0.000 description 2
- 238000009795 derivation Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000002474 experimental method Methods 0.000 description 2
- 230000006872 improvement Effects 0.000 description 2
- 238000012880 independent component analysis Methods 0.000 description 2
- 238000005457 optimization Methods 0.000 description 2
- 230000004044 response Effects 0.000 description 2
- 230000008859 change Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 238000009472 formulation Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000000877 morphologic effect Effects 0.000 description 1
- 230000008685 targeting Effects 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
- 238000012549 training Methods 0.000 description 1
- 238000012546 transfer Methods 0.000 description 1
Images
Landscapes
- Measurement Of Mechanical Vibrations Or Ultrasonic Waves (AREA)
Description
まず、本発明の実施の形態における概要を説明する。
<問題の定式化>
マイク数をM、音源数をM とし、マイクiの観測信号、音源jの信号の短時間フーリエ変換(Short-Time Fourier transform; STFT) をそれぞれxi(f,n)、 sj(f,n) とする。また、これらを要素としたベクトルを
と観測信号ベクトル
との間の関係式として瞬時分離系
は分離行列と呼ばれ、優決定条件のBSSではこれを推定することが目的となる。ただし、(・)T は行列またはベクトルの転置、(・)H は複素共役転置を表す。以上の瞬時混合系の仮定の下で、さらに音源jの複素スペクトログラムsj(f,n)を
より、
は音源j のパワースペクトログラムを表す。このように各時間周波数点で異なる分散の複素ガウス分布に独立に従う複素スペクトログラムの生成モデルを局所ガウス音源モデルと呼ぶ。sj(f,n)とsj′(f, n)(j≠j′)が統計的に独立のとき、
は
の対数尤度であり、式(11) が大きくなるように
を求めることで周波数ごとの独立成分を得る分離行列
を得ることができる。音源パワースペクトログラムuj(f,n)に制約がない場合は、式(11)は周波数fごとの項に分解されるため、式(11)により求まる
で得られた分離信号のインデックスにはパーミュテーションの任意性が生じる。このため、同一音源に由来する周波数ごとの独立成分をグルーピングするパーミュテーション整合処理が後段で別途必要になる。IVAやILRMAは、音源パワースペクトログラムuj(f,n)に構造的制約を与えることで周波数ごとの音源分離とパーミュテーション整合を同時解決することを可能にしている。
ここで、音源パワースペクトログラムuj(f,n) を
上述のILRMAのアルゴリズムにおいて
の更新を介して行われる
の更新を、事前学習したニューラルネットワーク(Neural Network; NN) のフィードフォワード計算
はパラメータθのニューラルネットワークの出力を表し、入力
は分離信号j のフレームnの振幅スペクトル
、出力
は音源jのフレームnのパワースペクトル
である。式(20) の更新は式(11)を上昇させる保証はないため、
の更新と式(20) の更新による反復アルゴリズムの収束性は保証されない。
本発明の実施の形態は、各音源の複素スペクトログラムs(f,n)をVAEまたは音源クラスラベルを補助入力としたCVAEによりモデル化する点がポイントである。以下でまずVAEおよびCVAEの原理を説明し、VAE音源モデルを用いたBSS手法を定式化する。
VAEはエンコーダとデコーダのNNからなる確率的生成モデルである。エンコーダネットワークは入力データ
が与えられた下での潜在変数
の条件付分布
のパラメータを出力するNNで、デコーダネットワークは潜在変数
が与えられた下でのデータ
の条件付分布
のパラメータを出力するNNである。学習データを
とすると、VAEはエンコーダ分布
とデコーダ分布
が無矛盾となるように、エンコーダ分布
と、
から導かれる事後分布
ができるだけ一致するようにエンコーダとデコーダのNNパラメータφ,θを学習する。Jensenの不等式を用いることにより対数周辺尤度(エビデンス)
の下界
と
を近づけることに相当する。ここで、
をパラメータφのエンコーダネットワークの出力、
をパラメータθのデコーダネットワークの出力とし、
をそれぞれこれらを平均と分散とした正規分布、
を標準正規分布
という関係式を通して
に変数変換できることを用いている。ただし、
はベクトルの要素ごとの積を表す。式(26)は、
に由来するランダム項を無視すると
の重み付き二乗誤差の負となっていることが分かる。これがVAE(確率的な自己符号化器)と呼ばれる所以である。また、式(21)の右辺第二項は
と
のKLダイバージェンスの負で与えられ、エンコーダネットワークの出力の各要素が独立にかつ正規分布に従うよう強制する正則化項として働く。
ある音源の複素スペクトログラムを
とし、対応する音源の属性ラベルをcとする。ここで音源の属性は、音声の場合は話者ID、楽音の場合は楽器の種類などをさし、cは該当属性を示した1one-hotベクトルとする。まず、
の生成モデルを、cを補助入力としたCVAEによりモデル化する。ここで、デコーダ分布
を式(5) の局所ガウス音源モデルと同形とするため、平均が0の複素ガウス分布
のみを出力するネットワークをデコーダとする。ただし、gはパワースペクトログラムのスケールを表す変数であり、
はデコーダ出力の
の第(f,n)要素を表す。一方、エンコーダ分布
は通常のCVAEと同様、
をパラメータとした局所ガウス音源モデルと見なせるため、音源jの複素スペクトログラム
の生成モデルを、
を入力としたデコーダ分布
により表現することで、式(11) と同形の尤度関数に帰着する。すなわち、最大化すべき尤度関数は式(11)のvj(f,n)に
を代入した
、VAE音源モデルパラメータ
、スケールパラメータgjを反復的に更新することで、式(34)の停留点を探索することができる。式(34)を上昇させる
の更新は上記<Wの更新>と同様の方法、式(34)を上昇させる
の更新は誤差逆伝播法(Backpropagation)、式(34)を上昇させる
の更新は
が固定された下で式(11)を最大にするgjをgjの更新値とすることを意味する。以上より提案する音源分離アルゴリズムは以下のようにまとめられる。
次に、本発明の実施の形態に係る信号解析装置の構成について説明する。図2に示すように、本発明の実施の形態に係る信号解析装置100は、CPUと、RAMと、後述する学習処理ルーチン及びパラメータ推定処理ルーチンを実行するためのプログラムや各種データを記憶したROMと、を含むコンピュータで構成することができる。この信号解析装置100は、機能的には図2に示すように入力部10と、演算部20と、出力部90と、を含んで構成されている。
次に、本発明の実施の形態に係る信号解析装置100の作用について説明する。
本発明の実施の形態の手法による音源分離効果を確認するため、図5と図6に音声のスペクトログラムに対して式(12)の行列積モデルをフィッティングした例と、本発明の実施の形態に係るVAE音源モデルをフィッティングした例を示す。行列積モデルに比べてVAE音源モデルの方が正確に音声のスペクトログラムを表現できていることが確認できる。
20 演算部
24 時間周波数展開部
32 学習部
34 音源信号モデル記憶部
36 パラメータ推定部
40 初期値設定部
42 分離行列更新部
44 潜在変数更新部
46 スケールパラメータ更新部
48 収束判定部
90 出力部
100 信号解析装置
Claims (5)
- 各構成音が混合された観測信号を入力として、
各構成音についての、潜在ベクトル系列を入力として前記構成音のスペクトログラムの分散を生成するための予め学習されたデコーダによって生成される、前記構成音のスペクトログラムの分散と、スケールパラメータとから算出される、前記構成音のスペクトログラム、各構成音のスペクトログラムのスケールパラメータ、時間周波数領域で各構成音が混合された混合音を各構成音に分離するための分離行列、及び前記観測信号を各構成音に分離した信号を用いて表される目的関数を最適化するように、前記分離行列と、前記潜在ベクトル系列と、前記スケールパラメータとを推定するパラメータ推定部
を含む信号解析装置。 - 各構成音についてのスペクトログラムに基づいて、前記構成音毎に、前記構成音のスペクトログラムを入力として潜在ベクトル系列を推定するエンコーダ、及び前記エンコーダを学習する学習部を更に含む請求項1記載の信号解析装置。
- 前記エンコーダは、前記構成音のスペクトログラム及び前記構成音の属性を示す属性ラベルを入力として、前記潜在ベクトル系列を推定し、
前記デコーダは、前記潜在ベクトル系列及び前記構成音の属性ラベルを入力として、前記構成音のスペクトログラムの分散を推定し、
前記パラメータ推定部は、前記目的関数を最適化するように、前記分離行列と、前記潜在ベクトル系列と、前記属性ラベルと、前記スケールパラメータとを推定する請求項2記載の信号解析装置。 - パラメータ推定部が、各構成音が混合された観測信号を入力として、
各構成音についての、潜在ベクトル系列を入力として前記構成音のスペクトログラムの分散を生成するための予め学習されたデコーダによって生成される、前記構成音のスペクトログラムの分散と、スケールパラメータとから算出される、前記構成音のスペクトログラム、各構成音のスペクトログラムのスケールパラメータ、時間周波数領域で各構成音が混合された混合音を各構成音に分離するための分離行列、及び前記観測信号を各構成音に分離した信号を用いて表される目的関数を最適化するように、前記分離行列と、前記潜在ベクトル系列と、前記スケールパラメータとを推定する
信号解析方法。 - コンピュータを、請求項1〜請求項3のいずれか1項に記載の信号解析装置の各部として機能させるためのプログラム。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
JP2018163563A JP6910609B2 (ja) | 2018-08-31 | 2018-08-31 | 信号解析装置、方法、及びプログラム |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
JP2018163563A JP6910609B2 (ja) | 2018-08-31 | 2018-08-31 | 信号解析装置、方法、及びプログラム |
Publications (2)
Publication Number | Publication Date |
---|---|
JP2020034870A JP2020034870A (ja) | 2020-03-05 |
JP6910609B2 true JP6910609B2 (ja) | 2021-07-28 |
Family
ID=69668023
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
JP2018163563A Active JP6910609B2 (ja) | 2018-08-31 | 2018-08-31 | 信号解析装置、方法、及びプログラム |
Country Status (1)
Country | Link |
---|---|
JP (1) | JP6910609B2 (ja) |
Families Citing this family (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP7376895B2 (ja) * | 2020-05-27 | 2023-11-09 | 日本電信電話株式会社 | 学習装置、学習方法、学習プログラム、生成装置、生成方法及び生成プログラム |
JP7376896B2 (ja) * | 2020-05-27 | 2023-11-09 | 日本電信電話株式会社 | 学習装置、学習方法、学習プログラム、生成装置、生成方法及び生成プログラム |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2018042791A1 (ja) * | 2016-09-01 | 2018-03-08 | ソニー株式会社 | 情報処理装置、情報処理方法及び記録媒体 |
-
2018
- 2018-08-31 JP JP2018163563A patent/JP6910609B2/ja active Active
Also Published As
Publication number | Publication date |
---|---|
JP2020034870A (ja) | 2020-03-05 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Makishima et al. | Independent deeply learned matrix analysis for determined audio source separation | |
Luo et al. | Dual-path rnn: efficient long sequence modeling for time-domain single-channel speech separation | |
Scheibler et al. | Fast and stable blind source separation with rank-1 updates | |
CN108292508B (zh) | 空间相关矩阵估计装置、空间相关矩阵估计方法和记录介质 | |
US9668066B1 (en) | Blind source separation systems | |
JP6976804B2 (ja) | 音源分離方法および音源分離装置 | |
Kameoka et al. | Semi-blind source separation with multichannel variational autoencoder | |
Inoue et al. | Joint separation and dereverberation of reverberant mixtures with multichannel variational autoencoder | |
CN110998723B (zh) | 使用神经网络的信号处理装置及信号处理方法、记录介质 | |
JP6910609B2 (ja) | 信号解析装置、方法、及びプログラム | |
Ohtani et al. | Non-parallel training for many-to-many eigenvoice conversion | |
JP6099032B2 (ja) | 信号処理装置、信号処理方法及びコンピュータプログラム | |
Nesta et al. | Robust Automatic Speech Recognition through On-line Semi Blind Signal Extraction | |
Kubo et al. | Efficient full-rank spatial covariance estimation using independent low-rank matrix analysis for blind source separation | |
Kubo et al. | Blind speech extraction based on rank-constrained spatial covariance matrix estimation with multivariate generalized Gaussian distribution | |
Leglaive et al. | Student's t source and mixing models for multichannel audio source separation | |
Li et al. | FastMVAE2: On improving and accelerating the fast variational autoencoder-based source separation algorithm for determined mixtures | |
Deng et al. | Conv-TasSAN: Separative Adversarial Network Based on Conv-TasNet. | |
Giacobello et al. | Speech dereverberation based on convex optimization algorithms for group sparse linear prediction | |
JP6711765B2 (ja) | 形成装置、形成方法および形成プログラム | |
JP5807914B2 (ja) | 音響信号解析装置、方法、及びプログラム | |
Higuchi et al. | A unified approach for underdetermined blind signal separation and source activity detection by multichannel factorial hidden Markov models | |
JP6193823B2 (ja) | 音源数推定装置、音源数推定方法および音源数推定プログラム | |
JP7046636B2 (ja) | 信号解析装置、方法、及びプログラム | |
JP4946330B2 (ja) | 信号分離装置及び方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
A80 | Written request to apply exceptions to lack of novelty of invention |
Free format text: JAPANESE INTERMEDIATE CODE: A80 Effective date: 20180926 |
|
A621 | Written request for application examination |
Free format text: JAPANESE INTERMEDIATE CODE: A621 Effective date: 20200709 |
|
A977 | Report on retrieval |
Free format text: JAPANESE INTERMEDIATE CODE: A971007 Effective date: 20210524 |
|
TRDD | Decision of grant or rejection written | ||
A01 | Written decision to grant a patent or to grant a registration (utility model) |
Free format text: JAPANESE INTERMEDIATE CODE: A01 Effective date: 20210622 |
|
A61 | First payment of annual fees (during grant procedure) |
Free format text: JAPANESE INTERMEDIATE CODE: A61 Effective date: 20210628 |
|
R150 | Certificate of patent or registration of utility model |
Ref document number: 6910609 Country of ref document: JP Free format text: JAPANESE INTERMEDIATE CODE: R150 |
|
R250 | Receipt of annual fees |
Free format text: JAPANESE INTERMEDIATE CODE: R250 |