基于多阶分数域特征的双路径交互UNET语音增强算法研究

本研究针对开放环境中语音信号易受噪声干扰的关键问题，提出融合多阶分数傅里叶变换(FRFT)特征的双路径UNET模型。通过构建分数域能量差异特征表达、设计语音/噪声并行估计路径及信息交互模块，显著提升语音质量(PESQ提高23%)和可懂度(STOI提升15%)，为自动语音识别(ASR)前端处理提供创新解决方案。

　　

在嘈杂的会议室、助听设备或智能语音交互场景中，环境噪声如同不请自来的"声音强盗"，严重干扰语音信号的清晰度。尽管自动语音识别(ASR)技术已取得长足进步，但现有语音增强(SE)方法仍面临两大困境：传统时频域特征难以捕捉语音信号的动态频率变化特性；单一目标训练的深度学习模型对复杂噪声环境适应性不足。

中国研究人员创新性地将数学物理领域的分数傅里叶变换(FRFT)引入语音处理，发现语音与噪声在特定分数域呈现显著能量分布差异。团队设计的多阶分数特征可同时表征信号频率及其变化速率，通过0.3~0.7阶次分数谱的联合分析，使特征信息量提升40%。更巧妙的是，研究者突破传统UNET的单路径架构，构建了具有"分进合击"特点的双路径网络：上支路专注纯净语音估计，下支路专门捕捉噪声特征，两路径间通过分数信息交互模块实现参数协同优化。实验采用TIMIT语音库与NoiseX-92噪声库构建的混合数据集，结果显示该算法在-5dB信噪比条件下，语音质量评估(PESQ)得分达3.21，较基线模型提升23%。

关键技术包括：1) 多阶FRFT特征提取：通过滑动窗FRFT计算0.3/0.5/0.7阶次分数谱；2) 双路径UNET架构：包含12层编码器-解码器结构，每路径参数量1.2M；3) 残差注意力模块：结合空洞卷积扩大感受野至200ms；4) 跨路径信息交互：采用门控机制控制特征融合比例。

【多阶分数特征分析】
通过FRFT能量分布实验证实，语音信号在0.5阶域能量集中度比噪声高58%，该特征成为算法区分语音与噪声的关键依据。

【双路径网络设计】
消融实验显示，单独使用语音估计路径时残留噪声功率高3.2dB，而双路径联合训练使输出信噪比提升4.7dB。

【信息交互机制】
设计的分数门控单元可动态调节两路径特征融合权重，实验表明该模块使语音失真度降低19%。

这项研究的意义在于：首次将分数域分析深度融入神经网络架构，突破传统时频分析局限；提出的双路径协同机制为复杂环境语音处理提供新范式。论文成果已应用于助听设备芯片设计，在200人规模测试中使听力障碍用户的语音识别准确率提升31%。未来可通过扩展分数阶次选择算法，进一步适应突发性噪声场景。