基于层改进残差Unet++和Aquila黑寡妇优化算法的语音增强方法研究

来自未知机构的研究人员针对语音增强技术面临的计算需求高、数据集要求严格等问题，开发了基于层改进残差Unet++(LMResUnet++)的轻量化深度学习模型。该研究通过短时傅里叶变换(STFT)将含噪语音转换为频谱图，采用空洞卷积层捕获多尺度特征，并创新性地引入Aquila黑寡妇优化算法(ABWO)进行超参数优化。实验表明，该模型在PESQ指标上较DeepUnet、MTCNN等现有方法提升1.90%-7.93%，为环境噪声下的语音信号处理提供了高效解决方案。

　　

在语音增强领域，环境噪声的复杂性和计算资源的高需求始终是重大挑战。这项研究巧妙地将层改进残差Unet++(LMResUnet++)架构与创新的Aquila黑寡妇优化算法(ABWO)相结合，构建出轻量高效的解决方案。通过短时傅里叶变换(STFT)将含噪语音转换为时频表征后，采用具备空洞卷积层的LMResUnet++模型进行特征提取，这种设计无需增加训练参数即可捕获多尺度信息。ABWO算法的引入更是锦上添花，它能智能优化模型超参数，使系统性能达到最佳状态。最终经逆短时傅里叶变换(iSTFT)重构的语音信号，在PESQ客观评价指标上展现出显著优势，较ResUnet++等现有方法提升幅度高达7.93%。这项研究为复杂噪声环境下的语音信号处理提供了新的技术路径。