×

确定音频源分离的独立深度学习矩阵分析详细资料说明

消耗积分:0 | 格式:pdf | 大小:4.30 MB | 2020-04-01

鱻鱼与

分享资料个

  提出了一种新的独立深度学习矩阵分析(IDLMA)框架,将深度神经网络(DNN)和基于独立性的多通道音频源分离技术相结合。IDLMA利用预训练DNN信源模型和信源间的统计独立性进行分离,利用DNN对每个信源的时频结构进行迭代优化,同时提高空间分频滤波器的估计精度。作为源生成模型,我们引入了复杂的重尾分布以提高分离性能。此外,我们还讨论了一种半监督的情况,即在混合信号中只能为一个源准备一个单独录制的音频数据集。为了解决有限数据问题,我们提出了一种适当的数据增强方法,使DNN源模型适应于观测信号,使IDLMA能够在半监督的情况下工作。在有监督和半监督两种情况下,利用训练数据集对音乐信号进行了实验。结果表明,该方法在分离精度方面是有效的。索引项音频源分离,独立成分分析,深层神经网络,半监督学习。

声明:本文内容及配图由入驻作者撰写或者入驻合作网站授权转载。文章观点仅代表作者本人,不代表电子发烧友网立场。文章及其配图仅供工程师学习之用,如有内容侵权或者其他违规问题,请联系本站处理。 举报投诉

评论(0)
发评论

下载排行榜

全部0条评论

快来发表一下你的评论吧 !