A Dual-Microphone Algorithm That Can Cope With Competing-Talkers Scenarios
文章目录
- 1 . Abstract
- 2 . SNR Estimation
- 3. Experiment
1 . Abstract
这里介绍一种基于相干函数1的双麦降噪算法,上一篇2中的方法从本质上讲应该是这篇论文里的一个特例,或者说是一种简化处理,这里咱们就来看看完整的框架
先上系统框图:
基本与上一篇里面的相同,这里就多了一个SNREstimationSNR EstimationSNR Estimation(信噪比估计),很多降噪算法都依赖于信噪比估计,得到信噪比后,就可以用谱减或维纳滤波进行降噪。那这里我们就主要来看看怎么得到这个信噪比。
2 . SNR Estimation
信号定义以及相干函数的计算都是跟上一篇相同,这里就不重复,直接跳到相干函数跟信噪比的公式:
公式
Γ^y1y2(ω)=[cos(ωτ)+jsin(ωτ)]SNR^1+SNR^+[cos(ωτcosθ)+jsin(ωτcosθ)]11+SNR^(1)\hat{\Gamma }_{y_{1}y_{2}}(\omega)=[cos(\omega \tau)+jsin(\omega \tau)]\frac{\hat{SNR}}{1+\hat{SNR}}+[cos(\omega \tau cos\theta)+jsin(\omega \tau cos\theta)]\frac{1}{1+\hat{SNR}} \tag{1} Γ^y1y2(ω)=[cos(ωτ)+jsin(ωτ)]1+SNR^SNR^+[cos(ωτcosθ)+jsin(ωτcosθ)]1+SNR^1 (1)
分别写出Γ^y1y2(ω)\hat{\Gamma }_{y_{1}y_{2}}(\omega)Γ^y1y2(ω)的实部和虚部如下:
ℜ=SN^R1+SN^Rcosω˙+11+SN^Rcosα(2)\Re=\frac{\mathrm{S} \hat{\mathrm{N}} \mathrm{R}}{1+\mathrm{S} \hat{\mathrm{N}} \mathrm{R}} \cos \dot{\omega}+\frac{1}{1+\mathrm{S} \hat{\mathrm{N}} \mathrm{R}} \cos \alpha\tag{2} ℜ=1+SN^RSN^Rcosω˙+1+SN^R1cosα(2)
ℑ=SNR^1+SN^Rsinω˙+11+SNR^sinα(3)\Im=\frac{\hat{SNR}}{1+\mathrm{S} \hat{\mathrm{N}} \mathrm{R}} \sin \dot{\omega}+\frac{1}{1+\hat{SNR}} \sin \alpha \tag{3} ℑ=1+SN^RSNR^sinω˙+1+SNR^1sinα (3)
其中ω˙=ωτ,α=ω˙cosθ\dot{\omega}=\omega \tau,\alpha=\dot{\omega} cos\thetaω˙=ωτ,α=ω˙cosθ
观察(2)、(3)两式,两个方程,两个未知量,SNR^和α\hat{SNR}和\alphaSNR^和α,因此,根据(2)、(3)两式解方程可以得到SNR^和α\hat{SNR}和\alphaSNR^和α,其中SNR^\hat{SNR}SNR^是我们想要的信息,α\alphaα是方向信息,因此这种方法其实也可以用在DOA相关方向上。
先写出SN^R\mathrm{S} \hat{\mathrm{N}} \mathrm{R}SN^R关于α\alphaα的表达式:
SN^R=sinα−ℑℑ−sinω˙(4)\mathrm{S} \hat{\mathrm{N}} \mathrm{R}=\frac{\sin \alpha-\Im}{\Im-\sin \dot{\omega}} \tag{4} SN^R=ℑ−sinω˙sinα−ℑ(4)
论文中给出了详细推导求解过程,这里就直接写出结果了
{A=ℑ−sinω˙B=cosω˙−ℜC=ℜsinω˙−ℑcosω˙(5)\left\{\begin{array}{l}{A=\Im-\sin \dot{\omega}} \\ {B=\cos \dot{\omega}-\Re} \\ {C=\Re \sin \dot{\omega}-\Im \cos \dot{\omega}}\end{array}\right. \tag{5} ⎩⎨⎧A=ℑ−sinω˙B=cosω˙−ℜC=ℜsinω˙−ℑcosω˙(5)
T=1−ℜcosω˙−ℑsinω˙(6)T=1-\Re \cos \dot{\omega}-\Im \sin \dot{\omega} \tag{6} T=1−ℜcosω˙−ℑsinω˙(6)
sinα=−B∗C+A∗TA2+B2(7)\sin \alpha=\frac{-B*C+A*T}{A^2+B^2} \tag{7} sinα=A2+B2−B∗C+A∗T(7)
式(5)、(6)都是已知量,然后计算(7),最后代入到(4)中就得到了SN^R\mathrm{S} \hat{\mathrm{N}} \mathrm{R}SN^R
最后,就可以写出增益函数如下了,这里用的是(square-root) Wiener filter
G(ω,k)=SNR(ω,k)SNR(ω,k)+1(8)G(\omega, k)=\sqrt{\frac{\operatorname{SNR}(\omega, k)}{\operatorname{SNR}(\omega, k)+1}} \tag{8} G(ω,k)=SNR(ω,k)+1SNR(ω,k) (8)
3. Experiment
还是上篇一样的音频,对比下处理前后结果
干扰抑制效果明显,且没有了上一篇中声音变小的现象
References:
Yousefian, N., & Loizou, P. C. (2013). A Dual-Microphone Algorithm That Can Cope With Competing-Talker Scenarios. IEEE Transactions on Audio, Speech, and Language Processing, 21(1), 145–155 ↩︎
Yousefian, N., & Loizou, P. (2011). A Dual-Microphone Speech Enhancement Algorithm Based on the Coherence Function. IEEE Transactions on Audio, Speech, and Language Processing. ↩︎
A Dual-Microphone Algorithm That Can Cope With Competing-Talkers Scenarios相关推荐
- C语言LMS双麦克风消噪算法,基于两个时域LMS算法双麦克风系统分析.doc
基于两个时域LMS算法双麦克风系统分析 基于两个时域LMS算法双麦克风系统分析 [摘要] 本文介绍了基于两个时域LMS算法的双麦克风系统结构以及性能分析.本文提出一种采用两个时域LMS的算法,并将此算 ...
- amcrest prostream 1080p网络摄像头评论
At a glance: 乍看上去: Price: $64.99 (at Amcrest) or $57.99 (at Amazon) 价格:$ 64.99(在Amcrest )或$ 57.99(在A ...
- 割线法求解过程_求解稀疏优化问题2——临近点方法+半光滑牛顿法
这篇文章是我之前一篇文章的兄弟篇,没看过的可以看下面这个. 邓康康:求解稀疏优化问题--半光滑牛顿方法zhuanlan.zhihu.com 我们考虑的问题仍然是如下的一般问题: 其中 ,并且 特别大 ...
- synchronousqueue场景_【JUC】JDK1.8源码分析之SynchronousQueue(九)
一.前言 本篇是在分析Executors源码时,发现JUC集合框架中的一个重要类没有分析,SynchronousQueue,该类在线程池中的作用是非常明显的,所以很有必要单独拿出来分析一番,这对于之后 ...
- kaggle+feature engineering(知乎抄的
什么是特征工程?特征工程有什么作用?点击查看知乎原文 小结: 1.事实上所有机器学习算法上面的成功都在于你怎么样去展示这些数据. 由此可见特征工程在实际的机器学习中的重要性, 从数据里面提取出来的特征 ...
- Tensorflow 优化器(optimizer)
所谓的优化器,就是tensorflow中梯度下降的策略,用于更新神经网络中数以百万的参数.工程师们除了在不断的推出新的神经网络的结构以外,还在不断的推出新的参数更新的策略,在这篇博客中,我们就列举te ...
- 计算机视觉数据集大全 - Part2
转载自http://homepages.inf.ed.ac.uk/rbf/CVonline/Imagedbase.htm Index by Topic Action Databases Agricul ...
- ftrl 流式更新 java_深入理解FTRL
FTRL算法是吸取了FOBOS算法和RDA算法的两者优点形成的Online Learning算法.读懂这篇文章,你需要理解LR.SGD.L1正则. FOBOS算法 前向后向切分(FOBOS,Forwa ...
- Optimization Options Reference
Optimization Options 下表介绍了优化选项. 使用optimoptions函数或fminbnd,fminsearch,fzero或lsqnonneg的optimset创建选项. 有关 ...
最新文章
- java 中的内部类介绍
- 揭秘星际2人工智能AlphaStar:DeepMind科学家回应一切
- u盘最大单个文件支持多少g_为什么32G的U盘却存了不4G的文件,原因很简单
- 下面不属于python第三方库的安装方法的是-python第三方库的pip安装方法
- 离职那天!同龄的CTO悄悄私信我,他的年薪是我的10倍
- IOC和DI 控制反转和依赖注入
- 比navicat更好用的工具_5118是查什么的?做什么用的?对比站长工具和爱站谁更好?...
- split逗号分割中文出现乱码java_Java中URL传中文时乱码的问题解决方案
- 一道很简单的贪心算法题~【贪心:我不要脸的伐?】
- select函数返回值_Vue学习笔记之函数、高阶函数、v-model的应用
- python 全栈开发,Day54(关于DOM操作的相关案例,JS中的面向对象,定时器,BOM,client、offset、scroll系列)...
- mysql connection.h_MySQL connector c++使用笔记
- android tv背景图片,android中shape绘制背景图片
- Neo4j下载与安装
- 阿里云服务器安全警告-异常网络连接-访问恶意域名
- NopCommerce源码架构详解--TypeFinder程序集类型自动查找及操作相关源码分析
- scratch双语教师课件文档手册 2.scratch模块介绍
- 打印菱形图案用java如何做_Java打印出菱形图案
- 重装mysql_重装MySQL步骤详解
- 130 余个超实用网站
热门文章
- 网络电话通信正在努力适应新发展环境
- Tomcat配置ssl协议及遇到的问题https页面无法访问
- 【游戏开发】基于MMORPG的游戏客户端逻辑效率开发思路
- 双馈网风力发电系统仿真,包含风机控制,变螺桨距控制,AC_DC_AC控制
- C语言 三角函数 时钟周期,1.3.1 三角函数的周期性PPT及课堂实录内容
- [附源码]java毕业设计鞋店销售管理
- 机器学习笔记 - Py-Feat基于Python的面部表情分析
- 手机影像二十载,AI多摄会是终极答案吗?
- 费米L6智能棋盘(国际象棋)开机试玩体验
- 验证picard迭代c语言,用Picard迭代法解约束绳索动点坐标的数学说明