8643

حذف نويز گفتار با استفاده تنها از سيگنالهاي صوتي نويزدار به صورت خودنظارتي

كارشناسي

مهندسي برق-مخابرات

1402

دكتر حسين سليماني

1402/07/08

مهندسي برق

Self-supervised speech denoising using only noisy audio signals

روش هاي خيلي قديمي حذف نويز عبارت بود از فيلتر كردن صداي صحبت كه معمولا چون فركانس نويز بالا بود يك فيلتر بالاگذر اين عمل را براي ما انجام مي‌داد.ولي گاهي اوقات منظور ما از صداي نويز يك صداي ناخواسته است كه به صداي صحبت كننده اصلي اضافه شده است_در واقع به اين نوع از صداي ناخواسته بيشتر تداخل مي گويند ولي ما در اين پايان‌نامه به همه‌شان نويز مي‌گوئيم_ و چه بسا فركانس بالايي هم نداشته باشد.در اينجا ديگر آن روش هاي قديمي حذف نويز جوابگو نخواهد بود و با يك فيلتر ساده نمي‌شود به حالت مطلوب رسيد. با روي آوردن به هوش مصنوعي اين عمل امكان‌پذير تر شد.به اين صورت كه صداي صحبت كننده اصلي را تشخيص دهيم . و صداي هاي به غير از آن را فيلتر نمائيم.ولي ايرادي كه اين مدل ها نيز تا به حال داشته‌اند اينست كه براي آموزش مدل علاوه بر سيگنال هاي نويزي به سيگنال هاي تميز آن ها نيز نياز است، تا شبكه بتواند وزن هاي خود را به نوعي تنظيم بكند تا از ورودي هاي شبكه كه همان صداهاي نويزي هستند به صداهاي تميز كه همان هدف آموزش هستند برسد.در اين پروژه استراتژي «آموزش تنها-نويزي» (ONT) معرفي مي‌شود كه قادر است بدون سيگنال هاي تميز آموزش داده شود و به صورت خود نظارتي وزن‌ها را به دست آورد . در اين استراتژي دو ماژول استفاده مي شود كه ماژول اول زير نمونه‌بردار است كه جفت هاي آموزشي مشابه اما متفاوت ايجاد مي كند.در واقع جفت‌هاي آموزشي ايجاد شده ماهيت يكسان دارند ولي دقيقا يكي نيستند و تفاوت هاي جزئي دارند.و ماژول دوم نيز شبكه حذف نويز است كه به صورت مختلط مي باشد.روش ما در اين پروژه حذف نويز از روي سيگنال در حوزه زمان تنها نيست.در حوزه زمان و فركانس است تا بتوانيم اطلاعات بهتر و دقيق‌تري را از سيگنال به دست بياوريم. همچنين با توجه به نتايج موجود كنوني ، روش ONT علاوه بر حذف وابستگي به سيگنال‌هاي تميز ، عملكرد بهتر يا حداقل معادل روش هاي قبل خود را داشته است.

حذف نويز , خودنظارتي , سيگنال تميز , روش آموزش