JP5438703B2 - 特徴量強調装置、特徴量強調方法、及びそのプログラム - Google Patents
特徴量強調装置、特徴量強調方法、及びそのプログラム Download PDFInfo
- Publication number
- JP5438703B2 JP5438703B2 JP2011035951A JP2011035951A JP5438703B2 JP 5438703 B2 JP5438703 B2 JP 5438703B2 JP 2011035951 A JP2011035951 A JP 2011035951A JP 2011035951 A JP2011035951 A JP 2011035951A JP 5438703 B2 JP5438703 B2 JP 5438703B2
- Authority
- JP
- Japan
- Prior art keywords
- feature
- mixed
- feature amount
- feature quantity
- noise
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
Images
Description
〔参考文献1〕Li Deng, Jasha Droppo, and Alex Acero, “Recursive estimation of nonstationary noise using iterative stochastic approximation for robust speech recognition,” IEEE Transactions on Speech and Audio Processing, 2003, 11 (6), p.568-580
[参考文献2]高村大也、「言語処理のための機械学習入門」、コロナ社、2010年
Claims (13)
- 少なくとも所望特徴量に雑音特徴量が重畳された観測特徴量の時系列データが入力され、前記所望特徴量の推定値である強調特徴量の時系列データを出力する特徴量強調装置であって、
前記所望特徴量の事後分布は混合分布の形式で表現され、
前記混合分布の各混合要素に対する事後重みを決定するための識別パラメータと、前記各混合要素に対する第1回帰行列、第2回帰行列、及びバイアスベクトルからなる、前記混合分布の各混合要素に対する条件つき強調特徴量を計算するための回帰パラメータと、が更に入力され、
各短時間フレームの前記雑音特徴量を、前記各短時間フレームの前記観測特徴量に基づき推定する雑音推定部と、
前記短時間フレーム毎に、前記各混合要素に対する事後重みを、前記観測特徴量と前記雑音特徴量と前記識別パラメータとから計算する混合要素事後重み計算部と、
前記短時間フレーム毎に、前記各混合要素に対する条件つき強調特徴量を、前記観測特徴量と前記第1回帰行列との積と、前記雑音特徴量と前記第2回帰行列との積と、前記バイアスベクトルと、の和として計算する条件つき強調特徴量計算部と、
前記各短時間フレームの強調特徴量を、前記各混合要素に対する条件つき強調特徴量を前記各混合要素に対する事後重みを用いて重みつき平均することで計算する重みつき平均計算部と、
を備える特徴量強調装置。 - 請求項1に記載の特徴量強調装置において、
前記回帰パラメータを、所望特徴量と劣化特徴量と雑音特徴量の三つ組みの集合である第1訓練データセットを用いて予め学習して出力する第1学習部を更に備え、
前記第1学習部は、
前記三つ組みに対して、各混合要素の条件つき事後確率を計算する条件つき事後確率計算手段と、
前記回帰パラメータを、前記三つ組みと前記各混合要素の条件つき事後確率とからなる正規方程式を解くことにより計算して出力する回帰パラメータ計算手段と、
を備える
ことを特徴とする特徴量強調装置。 - 請求項1又は2に記載の特徴量強調装置において、
前記識別パラメータは、観測特徴量と雑音特徴量との結合である拡張特徴量の混合分布のパラメータであり、
前記混合要素事後重み計算部は、前記各混合要素に対する混合要素事後重みを、前記拡張特徴量が与えられた場合の前記混合分布の事後確率としてベイズの定理に従って計算する
ことを特徴とする特徴量強調装置。 - 請求項3に記載の特徴量強調装置において、
前記拡張特徴量の混合分布のパラメータは、拡張特徴量の混合正規分布の重みと平均ベクトルと共分散行列であり、劣化特徴量と雑音特徴量の組の集合である第2訓練データセットを用いて学習されたものである
ことを特徴とする特徴量強調装置。 - 請求項1又は2に記載の特徴量強調装置において、
前記識別パラメータは、前記各混合要素に対して定義された対数線形モデルの重みベクトルであり、
前記混合要素事後重み計算部は、前記各混合要素に対する事後重みを、観測特徴量と雑音特徴量との結合である拡張特徴量が与えられた場合の混合要素の事後確率として前記対数線形モデルに基づいて計算する
ことを特徴とする特徴量強調装置。 - 請求項5に記載の特徴量強調装置において、
前記各混合要素に対する対数線形モデルの重みベクトルを、所望特徴量と劣化特徴量と雑音特徴量の三つ組みの集合である第1訓練データセットを用いて予め学習して出力する第2学習部を更に備え、
前記第2学習部は、
前記第1訓練データセットの所望特徴量の集合を用いて、所望特徴量の混合正規分布のパラメータを学習する参照混合正規分布学習手段と、
前記所望特徴量の混合正規分布のパラメータを用いて、各所望特徴量に対して、条件つき事後確率を最大にする参照混合要素を計算する参照混合要素識別手段と、
前記参照混合要素と、前記第1訓練データセットの前記劣化特徴量と前記雑音特徴量との組の集合と、を用いて、前記各混合要素に対する対数線形モデルの重みベクトルを、正則化項つき最尤推定法により計算して出力する重み推定手段と、
を備える
ことを特徴とする特徴量強調装置。 - 少なくとも所望特徴量に雑音特徴量が重畳された観測特徴量の時系列データが入力され、前記所望特徴量の推定値である強調特徴量の時系列データを出力する特徴量強調方法であって、
前記所望特徴量の事後分布は混合分布の形式で表現され、
前記混合分布の各混合要素に対する事後重みを決定するための識別パラメータと、前記各混合要素に対する第1回帰行列、第2回帰行列、及びバイアスベクトルからなる、前記混合分布の各混合要素に対する条件つき強調特徴量を計算するための回帰パラメータと、が更に入力され、
各短時間フレームの前記雑音特徴量を、前記各短時間フレームの前記観測特徴量に基づき推定する雑音推定ステップと、
前記短時間フレーム毎に、前記各混合要素に対する事後重みを、前記観測特徴量と前記雑音特徴量と前記識別パラメータとから計算する混合要素事後重み計算ステップと、
前記短時間フレーム毎に、前記各混合要素に対する条件つき強調特徴量を、前記観測特徴量と前記第1回帰行列との積と、前記雑音特徴量と前記第2回帰行列との積と、前記バイアスベクトルと、の和として計算する条件つき強調特徴量計算ステップと、
前記各短時間フレームの強調特徴量を、前記各混合要素に対する条件つき強調特徴量を前記各混合要素に対する事後重みを用いて重みつき平均することで計算する重みつき平均計算ステップと、
を実行する特徴量強調方法。 - 請求項7に記載の特徴量強調方法において、
前記回帰パラメータを、所望特徴量と劣化特徴量と雑音特徴量の三つ組みの集合である第1訓練データセットを用いて学習して出力する第1学習ステップを予め実行し、
前記第1学習ステップは、
前記三つ組みに対して、各混合要素の条件つき事後確率を計算する条件つき事後確率計算サブステップと、
前記回帰パラメータを、前記三つ組みと前記各混合要素の条件つき事後確率とからなる正規方程式を解くことにより計算して出力する回帰パラメータ計算サブステップと、
を実行する
ことを特徴とする特徴量強調方法。 - 請求項7又は8に記載の特徴量強調方法において、
前記識別パラメータは、観測特徴量と雑音特徴量との結合である拡張特徴量の混合分布のパラメータであり、
前記混合要素事後重み計算ステップは、前記各混合要素に対する混合要素事後重みを、前記拡張特徴量が与えられた場合の前記混合分布の事後確率としてベイズの定理に従って計算する
ことを特徴とする特徴量強調方法。 - 請求項9に記載の特徴量強調方法において、
前記拡張特徴量の混合分布のパラメータは、拡張特徴量の混合正規分布の重みと平均ベクトルと共分散行列であり、劣化特徴量と雑音特徴量の組の集合である第2訓練データセットを用いて学習されたものである
ことを特徴とする特徴量強調方法。 - 請求項7又は8に記載の特徴量強調方法において、
前記識別パラメータは、前記各混合要素に対して定義された対数線形モデルの重みベクトルであり、
前記混合要素事後重み計算ステップは、前記各混合要素に対する事後重みを、観測特徴量と雑音特徴量との結合である拡張特徴量が与えられた場合の混合要素の事後確率として前記対数線形モデルに基づいて計算する
ことを特徴とする特徴量強調方法。 - 請求項11に記載の特徴量強調方法において、
前記各混合要素に対する対数線形モデルの重みベクトルを、所望特徴量と劣化特徴量と雑音特徴量の三つ組みの集合である第1訓練データセットを用いて学習して出力する第2学習ステップを予め実行し、
前記第2学習ステップは、
前記第1訓練データセットの所望特徴量の集合を用いて、所望特徴量の混合正規分布のパラメータを学習する参照混合正規分布学習サブステップと、
前記所望特徴量の混合正規分布のパラメータを用いて、各所望特徴量に対して、条件つき事後確率を最大にする参照混合要素を計算する参照混合要素識別サブステップと、
前記参照混合要素と、前記第1訓練データセットの前記劣化特徴量と前記雑音特徴量との組の集合と、を用いて、前記各混合要素に対する対数線形モデルの重みベクトルを、正則化項つき最尤推定法により計算して出力する重み推定サブステップと、
を実行する
ことを特徴とする特徴量強調方法。 - 請求項1乃至6のいずれかに記載の特徴量強調装置としてコンピュータを機能させるためのプログラム。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
JP2011035951A JP5438703B2 (ja) | 2011-02-22 | 2011-02-22 | 特徴量強調装置、特徴量強調方法、及びそのプログラム |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
JP2011035951A JP5438703B2 (ja) | 2011-02-22 | 2011-02-22 | 特徴量強調装置、特徴量強調方法、及びそのプログラム |
Publications (2)
Publication Number | Publication Date |
---|---|
JP2012173537A JP2012173537A (ja) | 2012-09-10 |
JP5438703B2 true JP5438703B2 (ja) | 2014-03-12 |
Family
ID=46976479
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
JP2011035951A Active JP5438703B2 (ja) | 2011-02-22 | 2011-02-22 | 特徴量強調装置、特徴量強調方法、及びそのプログラム |
Country Status (1)
Country | Link |
---|---|
JP (1) | JP5438703B2 (ja) |
Families Citing this family (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP6673861B2 (ja) * | 2017-03-02 | 2020-03-25 | 日本電信電話株式会社 | 信号処理装置、信号処理方法及び信号処理プログラム |
US11093798B2 (en) * | 2018-12-28 | 2021-08-17 | Palo Alto Research Center Incorporated | Agile video query using ensembles of deep neural networks |
-
2011
- 2011-02-22 JP JP2011035951A patent/JP5438703B2/ja active Active
Also Published As
Publication number | Publication date |
---|---|
JP2012173537A (ja) | 2012-09-10 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
EP3806089B1 (en) | Mixed speech recognition method and apparatus, and computer readable storage medium | |
US10891944B2 (en) | Adaptive and compensatory speech recognition methods and devices | |
EP3166105B1 (en) | Neural network training apparatus and method | |
US8751227B2 (en) | Acoustic model learning device and speech recognition device | |
US20220238117A1 (en) | Voice identity feature extractor and classifier training | |
WO2019227574A1 (zh) | 语音模型训练方法、语音识别方法、装置、设备及介质 | |
CN111785288B (zh) | 语音增强方法、装置、设备及存储介质 | |
US20140222423A1 (en) | Method and Apparatus for Efficient I-Vector Extraction | |
JP7124427B2 (ja) | マルチビューベクトルの処理方法及び装置 | |
WO2020045313A1 (ja) | マスク推定装置、マスク推定方法及びマスク推定プログラム | |
JP6725186B2 (ja) | 学習装置、音声区間検出装置および音声区間検出方法 | |
WO2020168843A1 (zh) | 一种基于扰动样本的模型训练方法和装置 | |
JP6553015B2 (ja) | 話者属性推定システム、学習装置、推定装置、話者属性推定方法、およびプログラム | |
CN110998723B (zh) | 使用神经网络的信号处理装置及信号处理方法、记录介质 | |
KR102026226B1 (ko) | 딥러닝 기반 Variational Inference 모델을 이용한 신호 단위 특징 추출 방법 및 시스템 | |
JP2010078650A (ja) | 音声認識装置及びその方法 | |
Srinivasarao et al. | Speech enhancement-an enhanced principal component analysis (EPCA) filter approach | |
CN110797039A (zh) | 语音处理方法、装置、终端及介质 | |
JP5438703B2 (ja) | 特徴量強調装置、特徴量強調方法、及びそのプログラム | |
JP6721165B2 (ja) | 入力音マスク処理学習装置、入力データ処理関数学習装置、入力音マスク処理学習方法、入力データ処理関数学習方法、プログラム | |
JP2018028580A (ja) | 音源強調学習装置、音源強調装置、音源強調学習方法、プログラム | |
Schmidt et al. | Reduction of non-stationary noise using a non-negative latent variable decomposition | |
JP5726790B2 (ja) | 音源分離装置、音源分離方法、およびプログラム | |
Dahlan | AdaBoost noise estimator for subspace based speech enhancement | |
JP2010164780A (ja) | 音響モデル作成装置、音響モデル作成方法、音響モデル作成プログラム |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
A621 | Written request for application examination |
Free format text: JAPANESE INTERMEDIATE CODE: A621 Effective date: 20130213 |
|
A977 | Report on retrieval |
Free format text: JAPANESE INTERMEDIATE CODE: A971007 Effective date: 20131125 |
|
TRDD | Decision of grant or rejection written | ||
A01 | Written decision to grant a patent or to grant a registration (utility model) |
Free format text: JAPANESE INTERMEDIATE CODE: A01 Effective date: 20131203 |
|
A61 | First payment of annual fees (during grant procedure) |
Free format text: JAPANESE INTERMEDIATE CODE: A61 Effective date: 20131213 |
|
R150 | Certificate of patent or registration of utility model |
Ref document number: 5438703 Country of ref document: JP Free format text: JAPANESE INTERMEDIATE CODE: R150 Free format text: JAPANESE INTERMEDIATE CODE: R150 |
|
S531 | Written request for registration of change of domicile |
Free format text: JAPANESE INTERMEDIATE CODE: R313531 |
|
R350 | Written notification of registration of transfer |
Free format text: JAPANESE INTERMEDIATE CODE: R350 |