Details

Данная работа посвящена разработке подхода к построению алгоритма решения задачи фильтрации акустических шумов, обеспечивающего цифровую обработку сигналов в реальном времени, с помощью вычислений со сниженной разрядностью машинных чисел и сохраняющего качество фильтрации не ниже заданного порогового значения отношения уровня полезного звука к шуму. Проанализированы существующие методы очистки от акустических помех и восстановления качества звучания речи. Предложена архитектура системы фильтрации речевых сигналов: 1) частотный фильтр, реализованный искусственной нейронной сетью (ИНС); 2) метод настройки параметров фильтра, реализованный алгоритмом машинного обучения; 3) компьютерная платформа, реализованная графическим процессором общего назначения; 4) модуль обработки данных, реализующий функции интерфейса преобразования форматов и управления вычислениями. Разработан программно-аппаратный макет целевой системы, предназначенный для получения оценок качественных и вычислительных метрик алгоритмов фильтрации акустических шумов. Сравнительный анализ результатов проведённых экспериментов показал эффективность модифицированного алгоритма фильтрации акустических шумов, построенного на основе DeepFilterNet и реализованного тензорными ядрами GPGPU-процессора NVIDIA GeForce RTX 3070, имеющими аппаратную поддержку формата bfloat16.

This thesis focuses on developing an approach to constructing an algorithm for solving the problem of acoustic noise filtering that enables real-time digital signal processing using reduced-bit-depth computations and maintains filtering quality no lower than a specified threshold value of the useful sound-to-noise ratio. Existing methods for removing acoustic interference and restoring speech quality are analyzed. The architecture of a speech signal filtering system is proposed: 1) a frequency filter structurally implemented by an artificial neural network (ANN); 2) a method for tuning filter parameters implemented by a machine learning algorithm; 3) a computer platform implemented in hardware by a general-purpose graphics processor; 4) a multifunctional data processing module implementing the functions of an input-output interface, format conversion, and computation management. A hardware and software prototype of the target system has been developed, designed to obtain estimates of the qualitative and computational metrics of acoustic noise filtering algorithms. A comparative analysis of the experimental results has demonstrated the effectiveness of a modified acoustic noise filtering algorithm built on the basis of DeepFilterNet and implemented by tensor cores of the NVIDIA GeForce RTX 3070 GPGPU processor with hardware support for the bfloat16 format.