ISSN ONLINE(2319-8753)PRINT(2347-6710)
库斯马库马里切普鲁普alli一号拉杰斯瓦里孔杜里2
|
相关文章at普梅德,学者谷歌 |
访问更多相关文章科技创新研究国际杂志
反转抑制是语音通信中的一个关键问题语音信号智能化会因强反射而退化本文展示新信号处理程序 提供更好的解决方案 减少反射干扰基础是经验模式分解技术与自适应推导技术的组合AdaBoost基于EMD滤波技术用于反射破损语音信号,减少接收信号中的噪声构件提高检测概率使用拟议算法实现模拟结果取自各种反射时间SNR层次
关键字 |
经验模式分解,Adaboost特征提取,信号去噪化,反振荡抑制 |
导 言 |
室声学中用远程麦克风捕捉语音信号显示强烈反射因从墙壁反射和室内任何物体而产生连同反射作用,接收信号因播客旋转或室内空调产生的噪声而变形感知质量和智能接收语音信号因背景噪声和反射而退化自动语音识别辅助程序、免手电话会议、场景分析等应用受到这些困难的严重影响[1] 因此需要联合抑制反射和背景噪声特效 |
对单声波添加噪声算法进行了大量研究噪声可忽略不计 语音增强任务 仅仅是语音去变换Beesetal,[2]使用基于构件法估计室脉冲响应并使用最小二乘法反转文献中以类似方式发布各种方法减少噪声影响其中包括实战模式分解[3]被认为是减少噪声应用的最佳方法之一 |
EMD过滤技术背后的动机是它完全自适应驱动方法操作非线性和非静止数据,常见于实体环境EMD的主要长处是它不依赖滤波命令像线性自适应滤波[4,5],也不需要像Wavelets[6,7]这样的基本或先验功能EMD还显示稳定性能与中慢复杂性 |
上项工作[8,9]用EMD过滤技术解决干扰信号消噪问题,即选择内特模式函数用于信号重建时人工完成本文建议使用自适应推理技术[10]适应性选择EMD制作的IMF |
第二和第三节描述EMD和Adaboost技术简介,第四节描述Adaboost基于EMD过滤技术新结构,将语音信号st视同原输入信号,反射和噪声(加白高斯噪声)译nt高性能新算法使用一套模拟结果演示 |
经济模式排除 |
经验模式分解法相对非常规处理信号法,由美国航天局Nordon Huang提议EMD分解法称sifting进程引入这些瞬时频率复杂数据集用于消除非线性和非静止信号中可能存在的虚调和 |
![]() |
自动拆卸 |
Adaboost算法于1995年由Freund和Schapire介绍[10]完整概述见[11]AdaBoost广泛用于提高学习算法的性能,细节见[12]aboost高效法用于提高教学算法的精度和强健性Adaboost通过提供一组初始权值实例培训初始弱学习者并配有给定培训数据集并聚焦误分类训练实例第二弱学习者接受更新培训数据集培训,增加误分类实例的权重归根结底,联想由这些受过训练的弱学习者用相应的权重成线式组合算法描述如下: |
AdaBoost算法需要输入数据如下: |
![]() |
![]() |
ADOOST百科全书EMD-建议方法 |
本文Fig显示IMFs使用Adaboost算法新分类法提议1AdaBoost技术分两个阶段完成操作,即培训和测试过程 |
![]() |
Fig.1显示算法先使用EMD生成的IMF特征提取实现净信号和噪声算法训练后应用测试过程噪声破损信号应用EMD并分解噪声信号获取IMF并应用Adaboost算法Adaboost算法将辨别噪声引导IMFs和信号引导IMFs并制作信号引导IMFs集 |
本文特征提取部分特征,如均值、偏差、偏差和kurtis二进制分类法用于实现精确性,在Adaboost算法中区分信号和噪声IMFs本文视T为50和L为500提高精度T值可能提高,但代价是计算复杂性 |
模组结晶 |
本文中用数值示例反射噪声信号为净信号,波文件变换时间(RT60)为1、2和3秒噪声信号从-10dB到10dB不等表格和图描述概率检测AdaboostEMD性能和强健性阈值Vt选择为0.15 |
![]() |
上表描述Adaboost基础EMD概率检测性能此处展示的图块被考虑输入SNR为-3dB2秒并回译时间为2秒微博2对应输入信号即纯语音信号微博3描述回文语音信号图细节微博4噪声破损语音信号并发回 |
![]() |
![]() |
微博5提供模拟块细节仅使用EMD获取,即用EMD基础去噪估计信号通过人工选择IMFs获取Fig.6描述模拟图图,通过合并IMF获取估计信号,IMF由AdaBoost自适应选择,即基于特征提取,信号引导IMF由AdaBoost分类培训过程为净语音信号制作的IMF共16个,为回荡噪声信号制作的IMF共17个,测试过程IMFEM制作的IMF共16个Adaboost选择IMF3、4、5、8、9、11、12、13、14、15和16 |
![]() |
![]() |
从图中可以明显看出重构语音信号与输入信号几乎相似,该信号证明Adaboost基础EMD能力是最佳方法之一,可用于联合抑制回荡和背景噪声效果 |
结论 |
经验模式分解是减少接收信号中噪声的最佳方法AdaBoost保证差错指数下降并增加假设数理论和实证结果都显示Adaboost作为强健学习者有极佳的归纳性能 |
AdaBoost基础EMD技术结合各种参数估计方法,可用于提高SONAR应用中声音信号定位计算性能,SONAR应用即本文未来范围 |
![]() |
启蒙 |
由科技部科技司在印度新德里WOS-A项目下支持这项工作 |
引用 |
|