基于机器学习的强工业噪声抑制
在具有强噪声的工业环境中,传感器数据可能混有强的现场背景噪声,使得识别工业环境的信号变得困难。强工业噪声严重污损信号原有特征和可辨识度。为去除信号中混入的强噪声,针对U-Net 网络,通过新增Dropout 层,防止数据的过拟合；并引入带泄露修正单元函数(Leaky ReLU),解决梯度消失问题；同时使用随机梯度下降(Stochastic Gradient Descent,SGD)优化算法,结合回归损失函数(Huber Loss)训练模型,降低了损失值。仿真采用混有强工业现场噪声的语音信号,通过间接预测残差噪声谱替代直接预测去噪语音谱,减少了训练时间。实验结果表明,全局残差U-Net 模型可以实现对工业强噪声的有效抑制。
强工业噪声 机器学习 语音去噪 U-Net
王立红 张延华 李梦璐 贾克斌
北京工业大学信息与通信工程学院,北京 100124
国内会议
重庆
中文
290-294
2022-04-10（万方平台首次上网日期，不代表论文的发表时间）