本发明涉及计算机，具体而言，涉及一种基于人工智能的对讲机音频自适应降噪方法及系统。
背景技术：
1、在通信技术领域，对讲机作为一种重要的即时通讯工具，在多种场景如公共安全、工业生产和军事通讯中发挥着关键作用。然而，对讲机通信过程中常常受到环境噪声的干扰，导致音频质量下降，进而影响通讯的清晰度和可靠性。因此，研发有效的对讲机音频降噪技术一直是通信技术领域的重要研究方向。
2、传统的对讲机音频降噪方法主要依赖于信号处理技术，如频谱减法、维纳滤波等。这些方法虽然在一定程度上能够抑制噪声，但在复杂多变的噪声环境下，降噪效果往往有限，且可能引入音频失真。近年来，随着人工智能技术的快速发展，尤其是深度学习在音频处理领域的广泛应用，为对讲机音频降噪提供了新的解决方案。
3、深度学习技术能够通过学习大量带噪音频和干净音频之间的映射关系，实现音频的有效降噪。然而，将深度学习技术直接应用于对讲机音频降噪仍面临诸多挑战。一方面，对讲机音频具有独特的语音特性和噪声模式，需要针对性的降噪网络设计；另一方面，由于对讲机通信的实时性要求，降噪算法需要具有较低的计算复杂度和高效的推理能力。
技术实现思路
1、鉴于上述提及的问题，结合本发明的第一方面，本发明实施例提供一种基于人工智能的对讲机音频自适应降噪方法，所述方法包括：
2、将预先构建的ai降噪基础网络和初始自适应降噪网络分别拆解为多个网络单元；所述预先构建的ai降噪基础网络和所述初始自适应降噪网络中的每个网络单元分别建立了唯一映射关系；
3、获取第一样例对讲机音频序列，遍历所述初始自适应降噪网络的每个网络单元，基于所述第一样例对讲机音频序列、所述预先构建的ai降噪基础网络中和所遍历网络单元对应的目标网络单元，对所述所遍历网络单元进行分步网络参数学习，直到结束对所述初始自适应降噪网络的所有网络单元的分步网络参数学习，生成临时自适应降噪网络；
4、对所述预先构建的ai降噪基础网络和所述临时自适应降噪网络进行交互组合网络参数学习，生成多个组合网络单元；所述组合网络单元包括从所述预先构建的ai降噪基础网络中确定的多个第一衔接网络单元，以及从所述临时自适应降噪网络中确定的与所述多个第一衔接网络单元对应的多个第二衔接网络单元；
5、获取第二样例对讲机音频序列，遍历所述多个组合网络单元中的每个组合网络单元，基于所述第二样例对讲机音频序列、所遍历组合网络单元中的所述多个第一衔接网络单元，对所述组合网络单元中的所述多个第二衔接网络单元进行网络知识参数传递学习，直到各所述组合网络单元符合网络收敛要求，生成完成网络参数学习的目标自适应降噪网络。
6、在第一方面的一种可能的实施方式中，所述获取第一样例对讲机音频序列，遍历所述初始自适应降噪网络的每个网络单元，基于所述第一样例对讲机音频序列、所述预先构建的ai降噪基础网络中和所遍历网络单元对应的目标网络单元，对所述所遍历网络单元进行分步网络参数学习，直到结束对所述初始自适应降噪网络的所有网络单元的分步网络参数学习，生成临时自适应降噪网络，包括：
7、获取第一样例对讲机音频序列，将所述第一样例对讲机音频序列加载到所述预先构建的ai降噪基础网络中和所遍历网络单元对应的目标网络单元中，利用所述目标网络单元对所述第一样例对讲机音频序列进行降噪处理，输出所述目标网络单元生成的第一降噪处理数据；
8、遍历所述初始自适应降噪网络的每个网络单元，锁定其它网络单元的网络参数信息，基于所述第一样例对讲机音频序列、所述目标网络单元的第一降噪处理数据，对所述所遍历网络单元的网络参数信息进行分步网络参数学习，直到结束对所述初始自适应降噪网络的所有网络单元的分步网络参数学习，生成临时自适应降噪网络。
9、在第一方面的一种可能的实施方式中，基于所述第一样例对讲机音频序列、所述目标网络单元的第一降噪处理数据，对所述所遍历网络单元的网络参数信息进行分步网络参数学习，包括：
10、将所述第一样例对讲机音频序列、所述目标网络单元的第一降噪处理数据、以及设定的第一映射阵列，加载到所述所遍历网络单元，输出所述所遍历网络单元生成的第二降噪处理数据；
11、对所述所遍历网络单元的第二降噪处理数据和设定的第二映射阵列执行对应关系运算，输出第一运算匹配结果；
12、确定所述第一运算匹配结果和所述目标网络单元的第一降噪处理数据之间的第一训练误差；
13、如果所述第一训练误差符合收敛要求，则结束对所述所遍历网络单元的分步网络参数学习。
14、在第一方面的一种可能的实施方式中，所述获取第二样例对讲机音频序列，遍历所述多个组合网络单元中的每个组合网络单元，基于所述第二样例对讲机音频序列、所遍历组合网络单元中的所述多个第一衔接网络单元，对所述组合网络单元中的所述多个第二衔接网络单元进行网络知识参数传递学习，包括：
15、获取第二样例对讲机音频序列，将所述第二样例对讲机音频序列加载到所遍历组合网络单元中的多个第一衔接网络单元中的首个网络单元，生成所述多个第一衔接网络单元中每个网络单元生成的第一网络知识参数传递学习结果；
16、基于所述第二样例对讲机音频序列、以及所述多个第一衔接网络单元中每个网络单元生成的第一网络知识参数传递学习结果，对多个第二衔接网络单元中每个网络单元进行网络知识参数传递学习。
17、在第一方面的一种可能的实施方式中，所述基于所述第二样例对讲机音频序列、以及所述多个第一衔接网络单元中每个网络单元生成的第一网络知识参数传递学习结果，对多个第二衔接网络单元中每个网络单元进行网络知识参数传递学习，包括：
18、将所述第二样例对讲机音频序列加载到所遍历组合网络单元中的多个第二衔接网络单元中的首个网络单元，并将第一映射阵列和所述多个第一衔接网络单元中每个网络单元的第一网络知识参数传递学习结果，分别对应加载到所述多个第二衔接网络单元中每个网络单元，生成所述多个第二衔接网络单元中每个网络单元生成的第二网络知识参数传递学习结果；
19、对所述多个第二衔接网络单元中末个网络单元的第二网络知识参数传递学习结果、以及第二映射阵列执行对应关系运算，输出第二运算匹配结果；
20、确定所述多个第一衔接网络单元中末个网络单元的第一网络知识参数传递学习结果、以及所述第二运算匹配结果之间的第二训练误差；
21、如果所述第二训练误差符合收敛要求，结束对所述所遍历组合网络单元的网络知识参数传递学习。
22、在第一方面的一种可能的实施方式中，所述将预先构建的ai降噪基础网络和初始自适应降噪网络分别拆解为多个网络单元，包括：
23、基于网络拓扑关系架构，分别将所述预先构建的ai降噪基础网络的至少每两个相邻的网络功能单元拆解为一个网络单元，生成与所述预先构建的ai降噪基础网络对应的多个网络单元，并分别将所述初始自适应降噪网络的每个网络功能单元拆解为一个网络单元，生成与所述初始自适应降噪网络对应的多个网络单元；
24、所述方法还包括：
25、基于网络拓扑关系架构，分别构建所述预先构建的ai降噪基础网络、以及所述初始自适应降噪网络中各网络单元之间的唯一映射关系。
26、在第一方面的一种可能的实施方式中，所述方法还包括：
27、获取完成网络参数学习的目标自适应降噪网络的网络参数信息；
28、对所述目标自适应降噪网络的网络参数信息进行非线性编码处理，将所述目标自适应降噪网络的网络参数信息从原始数值域非线性映射到另一数值范围，生成配置编码后的目标自适应降噪网络。
29、在第一方面的一种可能的实施方式中，所述对所述目标自适应降噪网络的网络参数信息进行非线性编码处理，将所述目标自适应降噪网络的网络参数信息从原始数值域非线性映射到另一数值范围，生成配置编码后的目标自适应降噪网络的步骤，包括：
30、对完成网络参数学习的目标自适应降噪网络的网络参数进行分析，获得所述网络参数的分析结果，所述分析结果包括所述网络参数的数值分布范围、所述网络参数的数据类型、所述网络参数之间的相关性以及所述网络参数在目标自适应降噪网络中的作用；
31、基于所述分析结果从预先定义的非线性编码函数匹配对应的目标非线性编码函数，对于所述目标自适应降噪网络中的每个网络参数，按照匹配的目标非线性编码函数和预先定义的数值范围进行编码，并在在编码过程中对所述网络参数之间的相关性进行联合编码后，引入正则化项限制编码后的数值范围；
32、对编码后的网络参数进行验证后，配置编码后的目标自适应降噪网络。
33、在第一方面的一种可能的实施方式中，所述方法还包括：
34、利用完成网络参数学习的目标自适应降噪网络对任意输入的对讲机音频数据进行降噪处理。
35、再一方面，本发明实施例还提供一种基于人工智能的对讲机音频自适应降噪系统，包括处理器、机器可读存储介质，所述机器可读存储介质和所述处理器连接，所述机器可读存储介质用于存储程序、指令或代码，所述处理器用于执行所述机器可读存储介质中的程序、指令或代码，以实现上述的方法。
36、基于以上方面，本技术实施例实现了高效且精准的对讲机音频降噪处理。首先将预先构建的ai降噪基础网络和初始自适应降噪网络拆解为多个网络单元，并建立了它们之间的唯一映射关系，为后续的分步学习和交互组合学习提供了基础。接着，利用第一样例对讲机音频序列，对初始自适应降噪网络的每个网络单元进行分步网络参数学习，生成了临时自适应降噪网络，这一步骤显著提升了降噪网络的初步适应能力和降噪效果。进一步地，通过对预先构建的ai降噪基础网络和临时自适应降噪网络进行交互组合网络参数学习，生成了包含多个第一衔接网络单元和第二衔接网络单元的组合网络单元。这种交互组合学习策略不仅融合了基础网络的降噪知识和经验，还使得临时自适应降噪网络能够在保持其特有降噪能力的同时，进一步提升降噪性能。最后，利用第二样例对讲机音频序列，对多个组合网络单元中的每个组合网络单元进行网络知识参数传递学习，直至各组合网络单元符合网络收敛要求，生成了完成网络参数学习的目标自适应降噪网络，确保了目标自适应降噪网络在复杂多变的对讲机音频环境中具有出色的降噪效果和稳定性。由此，通过分步学习、交互组合学习和网络知识参数传递学习的策略，显著提升了对讲机音频的自适应降噪能力，为对讲机通信提供了更加清晰、高质量的音频体验。
1.一种基于人工智能的对讲机音频自适应降噪方法，其特征在于，所述方法包括：
2.根据权利要求1所述的基于人工智能的对讲机音频自适应降噪方法，其特征在于，所述获取第一样例对讲机音频序列，遍历所述初始自适应降噪网络的每个网络单元，基于所述第一样例对讲机音频序列、所述预先构建的ai降噪基础网络中和所遍历网络单元对应的目标网络单元，对所述所遍历网络单元进行分步网络参数学习，直到结束对所述初始自适应降噪网络的所有网络单元的分步网络参数学习，生成临时自适应降噪网络，包括：
3.根据权利要求2所述的基于人工智能的对讲机音频自适应降噪方法，其特征在于，基于所述第一样例对讲机音频序列、所述目标网络单元的第一降噪处理数据，对所述所遍历网络单元的网络参数信息进行分步网络参数学习，包括：
4.根据权利要求1-3中任意一项所述的基于人工智能的对讲机音频自适应降噪方法，其特征在于，所述获取第二样例对讲机音频序列，遍历所述多个组合网络单元中的每个组合网络单元，基于所述第二样例对讲机音频序列、所遍历组合网络单元中的所述多个第一衔接网络单元，对所述组合网络单元中的所述多个第二衔接网络单元进行网络知识参数传递学习，包括：
5.根据权利要求4所述的基于人工智能的对讲机音频自适应降噪方法，其特征在于，所述基于所述第二样例对讲机音频序列、以及所述多个第一衔接网络单元中每个网络单元生成的第一网络知识参数传递学习结果，对多个第二衔接网络单元中每个网络单元进行网络知识参数传递学习，包括：
6.根据权利要求1-3中任意一项所述的基于人工智能的对讲机音频自适应降噪方法，其特征在于，所述将预先构建的ai降噪基础网络和初始自适应降噪网络分别拆解为多个网络单元，包括：
7.根据权利要求1-3中任意一项所述的基于人工智能的对讲机音频自适应降噪方法，其特征在于，所述方法还包括：
8.根据权利要求7所述的基于人工智能的对讲机音频自适应降噪方法，其特征在于，所述对所述目标自适应降噪网络的网络参数信息进行非线性编码处理，将所述目标自适应降噪网络的网络参数信息从原始数值域非线性映射到另一数值范围，生成配置编码后的目标自适应降噪网络的步骤，包括：
9.根据权利要求8所述的基于人工智能的对讲机音频自适应降噪方法，其特征在于，所述方法还包括：
10.一种基于人工智能的对讲机音频自适应降噪系统，其特征在于，所述基于人工智能的对讲机音频自适应降噪系统包括处理器和存储器，所述存储器和所述处理器连接，所述存储器用于存储程序、指令或代码，所述处理器用于执行所述存储器中的程序、指令或代码，以实现上述权利要求1-9任意一项所述的基于人工智能的对讲机音频自适应降噪方法。
