张家扬，童峰，3，陈东升，3，黄惠祥

(1.厦门大学 水声通信与海洋信息技术教育部重点实验室，福建 厦门 361005；2.厦门大学 海洋与地球学院，福建 厦门 361005；3.厦门大学深圳研究院，广东 深圳 518000)

0 引言

随着人与机器之间的语言交互逐渐频繁，更需要考虑噪声、混响和其他说话人的干扰等引起语音信号质量下降的因素对语音识别造成的影响，语音增强技术[1]可以有效地从受干扰的信号中提取纯净的语音，而麦克风阵列比起单个麦克风可以获取更多的语音信息和时空特征，因而麦克风阵列语音增强技术被广泛应用在智能家居、车载系统和音(视)频会议等领域。

麦克风阵列对信号进行空间滤波，可以增强期望方向上的信号并抑制方向性噪声，实现语音增强。传统麦阵语音增强算法；如形成固定波束的滤波累加波束形成算法(Filter-and-Sum Beamforming，FSB)[2]，通过一定长度的滤波器系数对多通道信号进行滤波累加，实现了频率无关的空间响应特性，具有低复杂度、硬件容易实现等优点，但是对于具有方向性的噪声效果不佳。

将语音增强构造为有监督学习问题发展出了基于深度学习的语音增强，使用如深度神经网络(DNN)、卷积神经网络(RNN)和长短时记忆网络(LSTM)等利用大数据量的训练使模型具有语音增强能力。Jiang 等[3]使用DNN模型将双耳时间差、双耳水平差和Gammatone 频率倒谱系数特征输入模型来训练理想二值掩蔽；Xiao 等[4]将多通道信号的广义互相关(GCC)特征送入波束形成网络，得到滤波器权重后作用于信号上获得增强特征，再经过特征提取以及声学模型网络，利用交叉熵函数对各个网络做联合优化，提高自动语音识别(ASR)效果；……