用于单通道源分离的深度神经网络
神经与进化计算
2013-11-13 v1 机器学习
摘要
本文介绍了一种利用深度神经网络（DNN）架构进行单通道源分离（SCSS）的新方法。与以往研究中使用 DNN 和其他分类器对时频单元进行分类以获取每个源的硬掩码不同，我们利用 DNN 对估计的源频谱进行分类，以在分离过程中检验其有效性。在训练阶段，利用源信号的训练数据训练 DNN。在分离阶段，利用训练好的 DNN 辅助估计混合信号中的每个源。单通道源分离问题被表述为一个能量最小化问题，其中鼓励每个源频谱估计拟合训练好的 DNN 模型，并鼓励混合信号频谱表示为估计源频谱的加权和。所提出的方法无论训练阶段和分离阶段之间源信号的能量尺度差异如何均能工作。非负矩阵分解（NMF）被用于初始化每个源的 DNN 估计。实验结果表明，与仅使用 NMF 进行源分离相比，使用由 NMF 初始化的 DNN 进行源分离提高了分离信号的质量。
引用
@article{arxiv.1311.2746,
title = {Deep neural networks for single channel source separation},
author = {Emad M. Grais and Mehmet Umut Sen and Hakan Erdogan},
journal= {arXiv preprint arXiv:1311.2746},
year = {2013}
}
备注
5 pages, 2 figures, 2 tables, submitted to ICASSP2014