[0化4] 图3本发明实施例中提供的一种噪声抑制装置的一个实施例的结构示意图； [0055] 图4本发明实施例中提供的一种噪声抑制装置的另一个实施例的结构示意图； [0化6] 图5本发明实施例中提供的一种噪声抑制系统的一个实施例的结构示意图； [0化7] 图6本发明实施例中提供的一种噪声抑制系统的自编码神经网络连接示意图。
【具体实施方式】
[005引本发明实施例提供了一种噪声抑制方法、装置及系统，解决了目前由于参考麦克 风和主麦克风的声场环境较大的差异，而导致的采用ANC方法将性能差的技术问题。
[0化9] 为使得本发明的发明目的、特征、优点能够更加的明显和易懂，下面将结合本发明 实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，下面所描述 的实施例仅仅是本发明一部分实施例，而非全部的实施例。基于本发明中的实施例，本领域 普通技术人员在没有做出创造性劳动前提下所获得的所有其它实施例，都属于本发明保护 的范围。
[0060] 请参阅图1，本发明实施例中提供的一种噪声抑制方法的一个实施例包括：
[0061] S1:当语音信号输入时，噪声抑制装置接收到参考语音采集机构采集的内部噪声 和主语音采集机构采集的包含有外部噪声的语音信号；
[0062] 当需要对语音信号进行去噪处理时，当语音信号输入时，噪声抑制装置接收到参 考语音采集机构采集的内部噪声和主语音采集机构采集的包含有外部噪声的语音信号。
[0063] S2:提取内部噪声对应的内部信号特征；
[0064] 当噪声抑制装置接收到参考语音采集机构采集的内部噪声和主语音采集机构采 集的包含有外部噪声的语音信号之后，提取内部噪声对应的内部信号特征，内部信号特征 为功率谱帖序列。
[00化]S3;根据内部信号特征，并结合预置的映射公式获取与外部噪声相对应的外部近 似特征；
[0066] 当提取内部噪声对应的内部信号特征之后，根据内部信号特征，并结合预置的映 射公式获取与外部噪声相对应的外部近似特征，外部近似特征为功率谱形式的帖序列。
[0067]S4 ;通过傅里叶逆变换将外部近似特征转换为对应的噪声信号估计值；
[0068] 当根据内部信号特征，并结合预置的映射公式获取与外部噪声相对应的外部近似 特征之后，通过傅里叶逆变换将外部近似特征转换为对应的噪声信号估计值。
[0069]S5;将噪声信号估计与采集的包含有内部噪声的语音信号进行预置噪声对消方式 处理，获取噪声抑制后的去噪语音信号。
[0070] 当通过傅里叶逆变换将外部近似特征转换为对应的噪声信号估计值之后，将噪声 信号估计与采集的包含有内部噪声的语音信号进行预置噪声对消方式处理，获取噪声抑制 后的去噪语音信号。
[0071] 本实施例中，通过提取内部噪声对应的内部信号特征，结合预置的映射公式W获 取与外部噪声相对应的外部近似特征，最后将外部近似特征转换为噪声信号估计值与语音 信号进行去噪处理，便实现了外部声场环境差异大的不受限的功能，解决了目前由于参考 麦克风和主麦克风的声场环境较大的差异，而导致的采用ANC方法将性能差的技术问题。
[0072] 上面是对噪声抑制方法的过程进行详细的描述，下面将对自编码神经网络的训练 过程进行详细的描述，请参阅图2,本发明实施例中提供的一种噪声抑制方法的另一个实施 例包括：
[0073] 201、当语音信号未输入时，对获取到的噪声信号样本进行每一个预置帖的傅里叶 变换，获取对应的样本帖的特征和样本角度信息；
[0074] 当需要对语音信号进行去噪处理之前，需要当未输入语音信号时，对内部噪声和 外部噪声组成的噪声信号样本进行预置自编码神经网络结构的训练，W确定映射公式，前 述的预置自编码神经网络结构可W是当语音信号未输入时，对获取到的噪声信号样本进行 每一个预置帖的傅里叶变换，获取对应的样本帖的特征和样本角度信息。
[0075] 例如未接收语音信号前，通过参考语音采集机构（如参考麦克风）和主语音采集 机构（如主麦克风）同时采集大于100小时的设备内部机器噪声和设备泄露到外部的机器 噪声，组成噪声信号样本，前述的设备可W是安装有噪声抑制装置的设备，例如远程智能柜 员机，对采集到的噪声信号样本使用8曲Z采样，然后使用32ms的化mming窗（汉明窗）对 噪声信号样本加窗处理，处理后得到帖序列，每帖256个采样点，然后对每一帖噪声信号样 本做傅立叶变换，对变换后的傅立叶系数取平方后的到噪声信号样本的功率谱S(?)和角 度angle(?)，功率谱S(?)作为内部特征，角度angle(?)在从内部特征还原成信号时使 用。
[0076] 202、将样本帖的特征作为自编码神经网络的样本输入x(n)和期望输出o(n)，确 定训练样本集
[0077]当对获取到的噪声信号样本进行每一个预置帖的傅里叶变换，获取对应的样本帖 的特征和样本角度信息之后，需要将样本帖的特征作为自编码神经网络的样本输入X(n) 和期望输出0(n)，确定训练样本集(-，例如，最后将每段参考麦克风和主麦克风 接收的噪声信号内部特征中的相继5帖对数功率谱S(?)作为声音信号的内部特征并作为 自编码神经网络的输入和期望输出，将预先采集所有的主麦克风信号和参考麦克风5帖信 号特征组成训练样本集，用于执行步骤203。
[007引 203、对训练样本集(―v(/z).o(/z)),y_i中的训练样本一一进行训练，获取训练样本集 枯0!)，0("说对应的权重向量和偏置参数；
[0079] 当将样本帖的特征作为自编码神经网络的样本输入x(n)和期望输出o(n)，确定 训练样本集W?)，〇0地之后，需要对训练样本集(咖)，〇(/诚中的训练样本一一进行训 练，获取训练样本集(x(n)，o(u));!li对应的权重向量和偏置参数。
[0080] 例如预置自编码神经网络结构采用5层结构，其中第1、5层为输入输出层，每层有 1280个节点，5帖信号特征的维数。第2、3、4层为隐含层，每层有1024个节点。隐含层数越 多，节点数越多网络的表达映射越精确，但是同时运算量越大且所需样本越多，需要说明的 是，前述的隐含层数和每层节点数是权衡两者后才能确定的。网络为全连接网络。将x(n) 作为网络输入，〇(n)作为网络期望输出，必须说明的是，前述的神经网络结构可W是如图6 所示。
[0081] 设第n个训练样本的输入为向量x(n)，期望输出为向量o(n)，输入层的神经元输 出向量为
[0082] 训练的最终结果是根据输入和期望输出样本集(4林〇(n)),y_,计算得到自编码神经 网络的权重和偏置参数wi，1 = 2, 3, 4, 5,bi，1 = 2, 3, 4, 5。
[0083] 网络训练过程如下：
[0084] A)根据自编码神经网络结构随机选取初始权重值wi，l= 2,3,4,5,设置偏置值 61，1= 2,3,4,5为0。取训练样本集中第一个样本，设置11 = 1。
[0085] B)根据公式yi(n) =x(n)，将输入向量x(n)映射为网络输入层神经元输出向量 Yi(n)〇
[0086] C)根据映射关系计算公式，将输入层神经元输出向量映射为第一层隐含层神经元 输出向量，第一层隐含层神经元输出向量映射为第二层隐含层神经元输出向量映射，第二 隐含层映射为第=隐含层，及第=隐含层映射为输出层。
[0087] 映射关系计算公式如下：
[008引 yi(n) = 0 (Ui(n))
[0089] Ui(n) =WiYi-i(n) +bi，1 = 2, 3, 4, 5 ;
[0090] 其中
e为自然对数的底数，wi为第1层的权重向量，b1为偏置系 数。1 = 2时为输入层映射为一层隐含层神经元输出向量，1 = 3, 4时为第一隐含层映射到 第二隐含层及第二隐含层映射为第S隐含层，1 = 5时是将第S隐含层映射为输出层向量。
[00川 D)根据输出层向量和期望输出向量o(n)，W公式巧n) = 0.5x|y5(n)-o(/?)||^十算 误差函数（即衡量网络输出的准确性函数）。
[0092] 巧根据导数计算公式，计算误差函数相对每一层权重和偏置的导数。
[0093] 导数计算公式如下：
[0096]其中对于隐含层 51= (Ww)t'SW'o'（Ui)，1 = 2,3,4,对于输出层，1 = 5,S5 =0 ' (ug) ?(ys(n)-o(n))；
[0097]巧根据误差函数相对每一层权重和偏置的导数计算新的权重和偏置，计算公式如 下：
[009引 W職'=W/+AW/;
[0099] b:押' =6, +A6/，1 = 5, 4, 3, 2 ;
[0100] 其中：
1 = 5, 4, 3, 2,为权重和偏置变化量。n为学习 率，n太大容易导致新权重和偏置震荡，太小容易导致学习过慢，本发明是权衡两者后确定n= 0.05。
[0101] G)将新的权重向量和偏置参数设置为自编码神经网的权重和偏置参数值，公式如 下：
[0102] W=w:ew，1 = 2,3,4,5 ;
[0103] b, =b；? , 1 = 2, 3, 4, 5 ；
[0104] H)如果所有权重向量和偏置参数改变量（Awi，1 = 2, 3, 4, 5,Abi，1 = 2, 3, 4, 5， 计算公式参见巧小于给