20、深度循环网络在单通道语音分离中的应用与优化

深度循环网络在单通道语音分离中的应用与优化

在语音处理领域，语音与背景分离以及语音增强是重要的研究方向。本文将围绕相关技术展开，介绍损失函数、网络输入、实验结果等内容，帮助大家深入了解语音处理中的这些关键技术。

1. 不同掩码下的SDR结果

在CHiME - 2开发数据的左声道上，不同信噪比（SNR）水平下使用各种理想掩码的源失真比（SDR）结果如下表所示：
| 掩码类型 | -6 dB | 9 dB | 平均 |
| — | — | — | — |
| IBM | 14.56 | 20.89 | 17.59 |
| IRM | 14.13 | 20.69 | 17.29 |
| Wiener - like | 15.20 | 21.49 | 18.21 |
| 理想幅度 | 13.97 | 21.35 | 17.52 |
| 相位敏感滤波器 | 17.74 | 24.09 | 20.76 |
| 截断PSF | 16.13 | 22.49 | 19.17 |

从这些结果中我们可以推测，不同的掩码在不同的信噪比下表现各异，相位敏感滤波器在整体上取得了较好的SDR结果，这可能意味着它在语音分离方面具有更强的性能。

2. 损失函数

在训练用于源分离或语音增强的深度学习系统时，有多种损失函数可供选择。
- 直接预测幅度谱的损失函数
- 均方误差（DMSE） ：
[DMSE(w) = \sum_{t,f} \left| |X(t,f)| - \mathcal{O