9、基于相位感知神经网络的判别式波束形成用于语音增强和识别

基于相位感知神经网络的判别式波束形成用于语音增强和识别

1. 引言

波束形成算法能够将在不同位置记录的多个麦克风信号进行组合，突出感兴趣的信号，同时抑制其他信号。随着技术发展，波束形成算法从基于麦克风阵列几何形状和信号空间位置的方法，逐渐演变为基于数据驱动的方法。本文将介绍一种新方法，该方法可调整波束形成滤波器，直接最大化自动语音识别（ASR）性能，并使 ASR 声学模型能适应波束形成器的输出。

波束形成方法可分为以下三类：
| 类别 | 特点 | 示例 |
| ---- | ---- | ---- |
| 几何波束形成 | 主要依赖阵列几何形状和信号源空间位置确定波束形成参数 | 延迟求和（DS）波束形成、超指向性波束形成 |
| 统计方法 | 除几何信息外，还依赖目标信号和噪声的特征 | 线性约束最小方差（LCMV）波束形成器、最小方差无失真响应（MVDR）波束形成器、多通道维纳滤波器（MWF） |
| 基于学习的方法 | 利用大量单通道/多通道信号学习先验知识，波束形成模块和声学建模模块可集成优化 | 最大似然方法、多通道输入的神经网络方法、用于更好空间统计估计的神经网络方法 |

下面将详细介绍这三类方法。

2. 用于 ASR 的波束形成

2.1 几何波束形成

当麦克风阵列从单一方向记录声音时，声音到达每个麦克风的时间会略有不同。假设时域中原始感兴趣信号为 (x_1[n])，在 (J) 个麦克风处记录到 (I - 1) 个其他信号，则第 (j) 个麦克风记录的信号 (y_j[n]) 为：
[y_j[n] = \sum_{i = 1}^{I} \sum_{l = 1