MVDR¶
- class torchaudio.transforms.MVDR(ref_channel: int = 0, solution: str = 'ref_channel', multi_mask: bool = False, diag_loading: bool = True, diag_eps: float = 1e-07, online: bool = False)[源代码]¶
最小方差无失真响应 (MVDR) 模块，执行带有时频掩码的MVDR波束形成。
基于 https://github.com/espnet/espnet/blob/master/espnet2/enh/layers/beamformer.py
我们提供三种MVDR波束形成方案。一种基于参考通道选择 [Souden et al., 2009] （
solution=ref_channel）。\[\textbf{w}_{\text{MVDR}}(f) = \frac{{{\bf{\Phi}_{\textbf{NN}}^{-1}}(f){\bf{\Phi}_{\textbf{SS}}}}(f)} {\text{Trace}({{{\bf{\Phi}_{\textbf{NN}}^{-1}}(f) \bf{\Phi}_{\textbf{SS}}}(f))}}\bm{u} \]其中 \(\bf{\Phi}_{\textbf{SS}}\) 和 \(\bf{\Phi}_{\textbf{NN}}\) 分别是语音和噪声的协方差矩阵。\(\bf{u}\) 是一个one-hot向量，用于确定参考通道。
另外两种方案基于导向矢量（
solution=stv_evd或solution=stv_power）。\[\textbf{w}_{\text{MVDR}}(f) = \frac{{{\bf{\Phi}_{\textbf{NN}}^{-1}}(f){\bm{v}}(f)}} {{\bm{v}^{\mathsf{H}}}(f){\bf{\Phi}_{\textbf{NN}}^{-1}}(f){\bm{v}}(f)} \]其中 \(\bm{v}\) 是声学传递函数或导向矢量。\(.^{\mathsf{H}}\) 表示共轭转置运算。
我们应用特征值分解 [Higuchi et al., 2016] 或幂法 [Mises and Pollaczek-Geiringer, 1929] 从语音的PSD矩阵中获取导向矢量。
在估计波束形成权重后，通过以下方式获得增强的短时傅里叶变换 (STFT)：
\[\hat{\bf{S}} = {\bf{w}^\mathsf{H}}{\bf{Y}}, {\bf{w}} \in \mathbb{C}^{M \times F} \]其中 \(\bf{Y}\) 和 \(\hat{\bf{S}}\) 分别是多通道带噪语音和单通道增强语音的STFT。
对于在线音频流，我们提供一种递归方法 [Higuchi et al., 2017] 分别更新语音和噪声的PSD矩阵。
- 参数：
ref_channel (int, 可选) – 波束形成的参考通道。（默认值：
0）solution (str, 可选) – 计算MVDR波束形成权重的方案。选项：[
ref_channel,stv_evd,stv_power]。（默认值：ref_channel）multi_mask (bool, 可选) – 如果为
True，则仅接受多通道时频掩码。（默认值：False）diagonal_loading (bool, 可选) – 如果为
True，则对噪声的协方差矩阵应用对角加载。（默认值：True）diag_eps (float, 可选) – 对角加载中乘以单位矩阵的系数。仅当
diagonal_loading设置为True时有效。（默认值：1e-7）online (bool, 可选) – 如果为
True，则基于先前的协方差矩阵更新MVDR波束形成权重。（默认值：False）
注意
为了提高数值稳定性，输入谱图将被转换为双精度（
torch.complex128或torch.cdouble）数据类型进行内部计算。输出谱图将被转换回输入谱图的数据类型，以便与其他模块兼容。注意
如果使用
stv_evd方案，当PSD矩阵的特征值不相异时（即某些特征值接近或相同），同一输入的梯度可能不一致。- forward(specgram: Tensor, mask_s: Tensor, mask_n: Optional[Tensor] = None) Tensor[source]¶
执行MVDR波束形成。
- 参数：
specgram (torch.Tensor) – 多通道复数值谱。维度为(…, 通道, 频率, 时间) 的张量。
mask_s (torch.Tensor) – 目标语音的时频掩码。如果 multi_mask 为
False，则张量维度为 (…, freq, time)；如果 multi_mask 为True，则张量维度为 (…, channel, freq, time)。mask_n (torch.Tensor 或 None, 可选) – 噪声的时频掩码。如果 multi_mask 为
False，则张量维度为 (…, freq, time)；如果 multi_mask 为True，则张量维度为 (…, channel, freq, time)。(默认值: None)
- 返回值:
单通道复数值增强谱，维度为 (…, freq, time)。
- 返回类型:
