MulCat DPRNN的学习

总体网络结构：

同时优化分离和说话人识别两个目标实现更好的说话人分离，此外该网络能够实现5-6人的分离，因此该网络是一个很好的设计。

用了新的网络的RNN构架方法；

不使用mask掩码，提出新的loss计算方法。

模型总体介绍：

这个模型主要借鉴了罗艺的DPRNN的架构方式，运用了encoder，separator，decoder的架构方式。

编码器encoder：

输入：x∈ℝ𝑇，代表混合语音的信号，T不是固定的数值。

经过一维卷积网络E（参数：kernel size:L，stride：L/2），卷积网络之后跟着ReLU非线性激活函数。然后得到输出。

输出：𝑧=𝐸x，其中𝑧∈ℝ𝑁×𝑇′，其中𝑇′=2TL−1

Chunking:

把编码器的输入分割成块。（与DPRNN相似）

其中𝑅=2𝑇′/K+1，其中每一个块的长度变成了K，并且hopsize=P。

经过分块后，𝑢𝑟∈ℝ𝑁×𝐾,r∈[1,…,R]。合并之后就是𝑣=𝑢1,…,𝑢𝑅∈ℝ𝑁×𝐾×𝑅

分离概括：

在原始的DPRNN中，有b个RNN模块

分离模块MulCatBlock：

把之前的处理好的块组合v放入到分离模块中。