带有时间序列的深层堆叠网络，用于语音分离

这篇文章介绍了一种深层堆叠网络（DSN）与时间序列相结合的方法，用于改进语音分离技术。文章首先指出了当前语音分离方法的局限性，即很多方法将分离任务视为二元分类问题，并且没有明确地对时间上的相关性进行建模，导致每个时频（T-F）单元仍然单独进行分类。然而，语音信号具有非常丰富的时序和时间动态信息，这些信息可以用于语音分离。 文章提出了一种新的方法，该方法通过将时间上的相关性引入到分类过程中，改善了语音分离和泛化性能。研究者们利用了深层堆叠网络（DSN）和重新阈值化方法来实现这一目标。文章通过参加2014年IEEE国际会议在声学、语音和信号处理（ICASSP）中介绍了一种融合了时序信息的深层堆叠网络用于语音分离的方法，并展示了这一技术相较于之前的方法在分离效果和泛化能力上都有所提高。 文章深入探讨了语音分离技术在现实世界中的重要应用场景，包括助听器设计和鲁棒的自动语音识别（ASR）。当前的语音分离系统在一般的声学环境中性能往往不尽如人意，尤其是在单声道语音分离的情况下，由于缺乏声音的方向性和空间信息，使得分离任务变得更加困难。在这篇论文中，研究的重点是去除非语音干扰下的单声道语音分离。 研究受到了人类听觉感知的启发，采用了计算听觉场景分析（CASA）技术，试图模仿人类的听觉处理过程来解决语音分离问题，并已显示出相当的潜力。与其他的语音分离方法，如谱减法、维纳滤波和基于模型的方法相比，CASA无需对干扰做出强烈的假设。 文章强调了语音信号的时序性和时间动态信息对语音分离的重要性，并提出了一种结合了时间序列的深层堆叠网络结构。这种方法通过时间上的相关性来提升语音分离的效果，为研究者们提供了新的思路和技术路径，有望在未来的语音信号处理领域得到进一步的应用和发展。 由于文档是通过OCR扫描得到的部分文字，文档中个别字的识别可能出现了错误或者遗漏。在理解文档内容时，我们应该根据上下文来推断和修正这些文字错误，以保证文章内容的连贯性和准确性。通过这种修正和解读，可以确保文章的知识点得到完整和正确的体现。