典型文献
人耳听觉相关代价函数深度学习单通道语声增强算法
文献摘要：
均方误差函数是深度学习单通道语声增强算法最常用的一种代价函数.然而,均方误差值的大小与语声质量好坏并非完全相关.为了提高算法性能,该文在深度神经网络训练中引入了两类与人耳听觉相关的代价函数.第一类是加权欧氏距离代价函数,考虑了人耳听觉掩蔽效应;第二类是Itakura-Satio代价函数、COSH代价函数和加权似然比代价函数,强调语声谱峰的重要性,侧重于恢复干净语声谱峰信息.基于长短期记忆网络结构分析比较了两类代价函数在深度学习单通道语声增强算法中的性能,并与均方误差代价函数进行对比.实验结果表明,基于加权欧式距离代价函数的深度神经网络单通道语声增强算法能够获得更好的语声质量和更低的噪声残留.
文献关键词：
语声增强;深度学习;人耳听觉
中图分类号：
作者姓名：
程琳娟;彭任华;郑成诗;李晓东
作者机构：
中国科学院声学研究所 北京 100190;中国科学院大学 北京 100049
文献出处：
引用格式：
[1]程琳娟;彭任华;郑成诗;李晓东-.人耳听觉相关代价函数深度学习单通道语声增强算法)[J].应用声学,2022(04):654-666
A类：
语声增强,听觉掩蔽,听觉掩蔽效应,Itakura,Satio,COSH
B类：
人耳听觉,代价函数,学习单,单通道,增强算法,均方误差,误差函数,误差值,好坏,算法性能,深度神经网络,神经网络训练,第一类,加权欧氏距离,第二类,似然比,声谱,谱峰,干净,长短期记忆网络,记忆网络结构,欧式距离
AB值：
0.180465
相似文献
机标中图分类号，由域田数据科技根据网络公开资料自动分析生成，仅供学习研究参考。
