1.一种基于采用谐波结构的OMLSA框架的神经网络降噪系统，其特征在于：包括离线模型训练部分和在线实时降噪部分；离线模型训练部分包括语音数据集、噪声数据集、神经元网络和基于对数谱幅度损失函数；在线实时降噪部分包括短时傅里叶变化分析和综合、基于NN‑LSA的模型增益估计模块、基于谐波结构条件的语音存在概率估计模块、基于OM‑LSA框架的增益估计模块。

2.根据权利要求1所述的基于采用谐波结构的OMLSA框架的神经网络降噪系统，其特征在于：所述基于NN‑LSA的模型增益估计模块采用基于对数谱最小均方误差为代价函数来进行参数估计，即

3.根据权利要求1所述的基于采用谐波结构的OMLSA框架的神经网络降噪系统，其特征在于：所述基于NN‑LSA是基于语谱图的结构化特征作为输入通过监督学习的方式获得最优参数，根据监督学习获得最优的模型来进行前向推理，获得噪声衰减增益GnnLSA(k，l)。

4.根据权利要求1所述的基于采用谐波结构的OMLSA框架的神经网络降噪系统，其特征在于：所述基于谐波结构条件的语音存在概率估计模块采用局部归一化的NN‑LSA噪声衰减增益作为语音存在概率，即：

5.根据权利要求1所述的基于采用谐波结构的OMLSA框架的神经网络降噪系统，其特征在于：所述基于谐波结构条件的语音存在概率估计模块利用GnnLSA(k，l)在谐振点要比其临近的非谐振点要大的特点，对GnnLSA(k，l)做局部归一化处理，来估计语音存在概率。

6.根据权利要求1所述的基于采用谐波结构的OMLSA框架的神经网络降噪系统，其特征在于：所述基于OM‑LSA框架的增益估计模块根据基于OM‑LSA的增益计算框架，使用GnnLSA(k，l)替换GLSA(k，l)，同时使用pharm(k，l)来替换p(k，l)最终得到如下增益计算公式

7.一种建立在如权利要求1所述的基于采用谐波结构的OMLSA框架的神经网络降噪系统基础上的基于采用谐波结构的OMLSA框架的神经网络降噪方法，其特征在于，整个处理流程如下：

首先由通过短时傅里叶变化模块获得带噪语音的语谱Y(k，l)＝stft(y(n))；

然后通过NN‑LSA模型增益估计模块估计出噪声衰减增益GnnLSA(k，l)＝CRNN(abs(Y(k，l)))；

估计出来的GnnLSA(k，l)经过基于谐波条件语音存在概率估计模块估计出语音存在概率p(k，l)；

由OM‑LSA框架增益估计模块，根据输入的Gmin(k，l)，GnnLSA(k，l)和Gmin(k，l)估计出最终噪声衰减增益GomLSA(k，l)；

最后通过对原始语谱做乘性衰减以后，进行STFT的综合恢复为降噪后的时域信号。