资料下载
×
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
- 相关下载
- 相关文章
