融合自注意力的卷积门控循环网络语音增强

TN912.35; 语音时频特征的时间依赖性、局部相关性、全局相关性等特性,使得传统的神经网络结构与时频域语音增强任务无法完全相适应.针对这一问题,首先利用卷积层代替门控循环单元网络中的全连接层,构成卷积门控循环网络,解决门控循环单元网络在时间维度建模时无法提取频率维度局部相关性的问题;又因卷积层无法提取频率维度的全局相关性,进一步利用注意力机制关注全局相关性的能力,解决卷积门控循环网络无法关注频率维度全局相关性的问题,最后提出了一种深度融合自注意力机制的自注意-卷积门控循环网络.实验证明,该网络通过关注时频域特征的多种特性,有效地提升了语音增强性能....

Full description

Saved in:
Bibliographic Details
Published in:电讯技术 2022, Vol.62 (7), p.953-958
Main Authors: 胡少东, 袁文浩, 时云龙
Format: Article
Language:Chinese
Online Access:Get full text
Tags: Add Tag
No Tags, Be the first to tag this record!
cited_by
cites
container_end_page 958
container_issue 7
container_start_page 953
container_title 电讯技术
container_volume 62
creator 胡少东
袁文浩
时云龙
description TN912.35; 语音时频特征的时间依赖性、局部相关性、全局相关性等特性,使得传统的神经网络结构与时频域语音增强任务无法完全相适应.针对这一问题,首先利用卷积层代替门控循环单元网络中的全连接层,构成卷积门控循环网络,解决门控循环单元网络在时间维度建模时无法提取频率维度局部相关性的问题;又因卷积层无法提取频率维度的全局相关性,进一步利用注意力机制关注全局相关性的能力,解决卷积门控循环网络无法关注频率维度全局相关性的问题,最后提出了一种深度融合自注意力机制的自注意-卷积门控循环网络.实验证明,该网络通过关注时频域特征的多种特性,有效地提升了语音增强性能.
doi_str_mv 10.3969/j.issn.1001-893x.2022.07.018
format article
fullrecord <record><control><sourceid>wanfang_jour</sourceid><recordid>TN_cdi_wanfang_journals_dianxjs202207018</recordid><sourceformat>XML</sourceformat><sourcesystem>PC</sourcesystem><wanfj_id>dianxjs202207018</wanfj_id><sourcerecordid>dianxjs202207018</sourcerecordid><originalsourceid>FETCH-wanfang_journals_dianxjs2022070183</originalsourceid><addsrcrecordid>eNpjYFAxNNAztjSz1M_SyywuztMzNDAw1LWwNK7QMzIwMtIzMNczMLRgYeCEiUdwMPAWF2cmGRgZm5mYmVgYcjJYvpjX-3RCx4v2Vc82r3jW0v-0a_bzWS1Pe7c_X77-5fQVz_qWP9236nnf-ud7Jz7fPefF-rUv529-umje0z27eBhY0xJzilN5oTQ3g4aba4izh255Yl5aYl56fFZ-aVEeUCY-JTMxryKrGOQmA3Ogi4xJUAoAI8xXKQ</addsrcrecordid><sourcetype>Aggregation Database</sourcetype><iscdi>true</iscdi><recordtype>article</recordtype></control><display><type>article</type><title>融合自注意力的卷积门控循环网络语音增强</title><source>Business Source Ultimate</source><creator>胡少东 ; 袁文浩 ; 时云龙</creator><creatorcontrib>胡少东 ; 袁文浩 ; 时云龙</creatorcontrib><description>TN912.35; 语音时频特征的时间依赖性、局部相关性、全局相关性等特性,使得传统的神经网络结构与时频域语音增强任务无法完全相适应.针对这一问题,首先利用卷积层代替门控循环单元网络中的全连接层,构成卷积门控循环网络,解决门控循环单元网络在时间维度建模时无法提取频率维度局部相关性的问题;又因卷积层无法提取频率维度的全局相关性,进一步利用注意力机制关注全局相关性的能力,解决卷积门控循环网络无法关注频率维度全局相关性的问题,最后提出了一种深度融合自注意力机制的自注意-卷积门控循环网络.实验证明,该网络通过关注时频域特征的多种特性,有效地提升了语音增强性能.</description><identifier>ISSN: 1001-893X</identifier><identifier>DOI: 10.3969/j.issn.1001-893x.2022.07.018</identifier><language>chi</language><publisher>山东理工大学 计算机科学与技术学院,山东 淄博255000</publisher><ispartof>电讯技术, 2022, Vol.62 (7), p.953-958</ispartof><rights>Copyright © Wanfang Data Co. Ltd. All Rights Reserved.</rights><lds50>peer_reviewed</lds50><woscitedreferencessubscribed>false</woscitedreferencessubscribed></display><links><openurl>$$Topenurl_article</openurl><openurlfulltext>$$Topenurlfull_article</openurlfulltext><thumbnail>$$Uhttp://www.wanfangdata.com.cn/images/PeriodicalImages/dianxjs/dianxjs.jpg</thumbnail><link.rule.ids>314,780,784,4024,27923,27924,27925</link.rule.ids></links><search><creatorcontrib>胡少东</creatorcontrib><creatorcontrib>袁文浩</creatorcontrib><creatorcontrib>时云龙</creatorcontrib><title>融合自注意力的卷积门控循环网络语音增强</title><title>电讯技术</title><description>TN912.35; 语音时频特征的时间依赖性、局部相关性、全局相关性等特性,使得传统的神经网络结构与时频域语音增强任务无法完全相适应.针对这一问题,首先利用卷积层代替门控循环单元网络中的全连接层,构成卷积门控循环网络,解决门控循环单元网络在时间维度建模时无法提取频率维度局部相关性的问题;又因卷积层无法提取频率维度的全局相关性,进一步利用注意力机制关注全局相关性的能力,解决卷积门控循环网络无法关注频率维度全局相关性的问题,最后提出了一种深度融合自注意力机制的自注意-卷积门控循环网络.实验证明,该网络通过关注时频域特征的多种特性,有效地提升了语音增强性能.</description><issn>1001-893X</issn><fulltext>true</fulltext><rsrctype>article</rsrctype><creationdate>2022</creationdate><recordtype>article</recordtype><recordid>eNpjYFAxNNAztjSz1M_SyywuztMzNDAw1LWwNK7QMzIwMtIzMNczMLRgYeCEiUdwMPAWF2cmGRgZm5mYmVgYcjJYvpjX-3RCx4v2Vc82r3jW0v-0a_bzWS1Pe7c_X77-5fQVz_qWP9236nnf-ud7Jz7fPefF-rUv529-umje0z27eBhY0xJzilN5oTQ3g4aba4izh255Yl5aYl56fFZ-aVEeUCY-JTMxryKrGOQmA3Ogi4xJUAoAI8xXKQ</recordid><startdate>2022</startdate><enddate>2022</enddate><creator>胡少东</creator><creator>袁文浩</creator><creator>时云龙</creator><general>山东理工大学 计算机科学与技术学院,山东 淄博255000</general><scope>2B.</scope><scope>4A8</scope><scope>92I</scope><scope>93N</scope><scope>PSX</scope><scope>TCJ</scope></search><sort><creationdate>2022</creationdate><title>融合自注意力的卷积门控循环网络语音增强</title><author>胡少东 ; 袁文浩 ; 时云龙</author></sort><facets><frbrtype>5</frbrtype><frbrgroupid>cdi_FETCH-wanfang_journals_dianxjs2022070183</frbrgroupid><rsrctype>articles</rsrctype><prefilter>articles</prefilter><language>chi</language><creationdate>2022</creationdate><toplevel>peer_reviewed</toplevel><toplevel>online_resources</toplevel><creatorcontrib>胡少东</creatorcontrib><creatorcontrib>袁文浩</creatorcontrib><creatorcontrib>时云龙</creatorcontrib><collection>Wanfang Data Journals - Hong Kong</collection><collection>WANFANG Data Centre</collection><collection>Wanfang Data Journals</collection><collection>万方数据期刊 - 香港版</collection><collection>China Online Journals (COJ)</collection><collection>China Online Journals (COJ)</collection><jtitle>电讯技术</jtitle></facets><delivery><delcategory>Remote Search Resource</delcategory><fulltext>fulltext</fulltext></delivery><addata><au>胡少东</au><au>袁文浩</au><au>时云龙</au><format>journal</format><genre>article</genre><ristype>JOUR</ristype><atitle>融合自注意力的卷积门控循环网络语音增强</atitle><jtitle>电讯技术</jtitle><date>2022</date><risdate>2022</risdate><volume>62</volume><issue>7</issue><spage>953</spage><epage>958</epage><pages>953-958</pages><issn>1001-893X</issn><abstract>TN912.35; 语音时频特征的时间依赖性、局部相关性、全局相关性等特性,使得传统的神经网络结构与时频域语音增强任务无法完全相适应.针对这一问题,首先利用卷积层代替门控循环单元网络中的全连接层,构成卷积门控循环网络,解决门控循环单元网络在时间维度建模时无法提取频率维度局部相关性的问题;又因卷积层无法提取频率维度的全局相关性,进一步利用注意力机制关注全局相关性的能力,解决卷积门控循环网络无法关注频率维度全局相关性的问题,最后提出了一种深度融合自注意力机制的自注意-卷积门控循环网络.实验证明,该网络通过关注时频域特征的多种特性,有效地提升了语音增强性能.</abstract><pub>山东理工大学 计算机科学与技术学院,山东 淄博255000</pub><doi>10.3969/j.issn.1001-893x.2022.07.018</doi></addata></record>
fulltext fulltext
identifier ISSN: 1001-893X
ispartof 电讯技术, 2022, Vol.62 (7), p.953-958
issn 1001-893X
language chi
recordid cdi_wanfang_journals_dianxjs202207018
source Business Source Ultimate
title 融合自注意力的卷积门控循环网络语音增强
url http://sfxeu10.hosted.exlibrisgroup.com/loughborough?ctx_ver=Z39.88-2004&ctx_enc=info:ofi/enc:UTF-8&ctx_tim=2024-12-29T00%3A19%3A08IST&url_ver=Z39.88-2004&url_ctx_fmt=infofi/fmt:kev:mtx:ctx&rfr_id=info:sid/primo.exlibrisgroup.com:primo3-Article-wanfang_jour&rft_val_fmt=info:ofi/fmt:kev:mtx:journal&rft.genre=article&rft.atitle=%E8%9E%8D%E5%90%88%E8%87%AA%E6%B3%A8%E6%84%8F%E5%8A%9B%E7%9A%84%E5%8D%B7%E7%A7%AF%E9%97%A8%E6%8E%A7%E5%BE%AA%E7%8E%AF%E7%BD%91%E7%BB%9C%E8%AF%AD%E9%9F%B3%E5%A2%9E%E5%BC%BA&rft.jtitle=%E7%94%B5%E8%AE%AF%E6%8A%80%E6%9C%AF&rft.au=%E8%83%A1%E5%B0%91%E4%B8%9C&rft.date=2022&rft.volume=62&rft.issue=7&rft.spage=953&rft.epage=958&rft.pages=953-958&rft.issn=1001-893X&rft_id=info:doi/10.3969/j.issn.1001-893x.2022.07.018&rft_dat=%3Cwanfang_jour%3Edianxjs202207018%3C/wanfang_jour%3E%3Cgrp_id%3Ecdi_FETCH-wanfang_journals_dianxjs2022070183%3C/grp_id%3E%3Coa%3E%3C/oa%3E%3Curl%3E%3C/url%3E&rft_id=info:oai/&rft_id=info:pmid/&rft_wanfj_id=dianxjs202207018&rfr_iscdi=true