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]¶
Minimum Variance Distortionless Response (MVDR) 模块，通过时频掩码执行 MVDR 波束形成。
基于 https://github.com/espnet/espnet/blob/master/espnet2/enh/layers/beamformer.py
我们提供了三种 MVDR 波束形成解决方案。一种是基于参考通道选择 [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。\(\bf{u}\) 是一个独热向量，用于确定参考通道。
另外两种解决方案基于导向向量 (
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向量。\(.^{\mathsf{H}}\) 表示厄米共轭运算。
我们应用特征值分解 [Higuchi et al., 2016] 或幂法 [Mises and Pollaczek-Geiringer, 1929] 来从语音的 PSD 矩阵中获取导向向量。
在估计了波束形成权重后，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 \(\hat{\bf{S}}\) 分别是多通道噪声语音和单通道增强语音的 STFT。
对于在线流式音频，我们提供了一种递归方法 [Higuchi et al., 2017] 来更新语音和噪声的 PSD 矩阵。
- 参数
ref_channel (int, optional) – 波束形成的参考通道。(默认：
0)solution (str, optional) – 计算 MVDR 波束形成权重的解决方案。选项：[
ref_channel,stv_evd,stv_power]。(默认：ref_channel)multi_mask (bool, optional) – 如果为
True，则只接受多通道时频掩码。(默认：False)diagonal_loading (bool, optional) – 如果为
True，则启用对噪声协方差矩阵应用对角加载。(默认：True)diag_eps (float, optional) – 用于对角加载的单位矩阵的乘数。仅当
diagonal_loading设置为True时有效。(默认：1e-7)online (bool, optional) – 如果为
True，则根据之前的协方差矩阵更新 MVDR 波束形成权重。(默认：False)
注意
为提高数值稳定性，输入频谱图将被转换为双精度 (
torch.complex128或torch.cdouble) 数据类型以进行内部计算。输出频谱图将被转换为输入频谱图的数据类型，以兼容其他模块。注意
如果使用
stv_evd解决方案，当 PSD 矩阵的特征值不唯一时（即某些特征值接近或相等），相同输入的梯度可能不相同。- forward(specgram: Tensor, mask_s: Tensor, mask_n: Optional[Tensor] = None) Tensor[源代码]¶
执行 MVDR 波束形成。
- 参数
specgram (torch.Tensor) – 多通道复值频谱。维度为 (..., channel, freq, time) 的张量。
mask_s (torch.Tensor) – 目标语音的时频掩码。如果 multi_mask 为
False，则维度为 (..., freq, time)；如果 multi_mask 为True，则维度为 (..., channel, freq, time)。mask_n (torch.Tensor 或 None, optional) – 噪声的时频掩码。如果 multi_mask 为
False，则维度为 (..., freq, time)；如果 multi_mask 为True，则维度为 (..., channel, freq, time)。(默认：None)
- 返回
增强的单通道复值频谱，维度为 (..., freq, time)。
- 返回类型
