近期比较忙, 抽空出来5.1开源献礼. 但凡学习音频降噪算法的朋友,肯定看过一个算法. <<语音增强-理论与实践>> 中提及到基于对数的最小均方误差的降噪算法,也就是LogMMSE. 资料见: <<Speech enhancement using a minimum  mean-square error log-spectral amplitude estimator.>> -----Ephraim, Y. and Malah, D. (1985) 之前也是

前几天无意间看到一个项目rnnoise. 项目地址: https://github.com/xiph/rnnoise 基于RNN的音频降噪算法. 采用的是 GRU/LSTM 模型. 阅读下训练代码,可惜的是作者没有提供数据训练集. 不过基本可以断定他采用的数据集里,肯定有urbansound8k. urbansound8k 数据集地址: https://serv.cusp.nyu.edu/projects/urbansounddataset/urbansound8k.html 也可以考虑采用用作

降噪是音频图像算法中的必不可少的. 目的肯定是让图片或语音 更加自然平滑,简而言之,美化. 图像算法和音频算法 都有其共通点. 图像是偏向 空间 处理,例如图片中的某个区域. 图像很多时候是以二维数据为主,矩形数据分布. 音频更偏向 时间 处理,例如语音中的某短时长. 音频一般是一维数据为主,单声道波长. 处理方式也是差不多,要不单通道处理,然后合并,或者直接多通道处理. 只是处理时候数据参考系维度不一而已. 一般而言, 图像偏向于多通道处理,音频偏向于单通道处理. 而从数字信号的角度来看,也可

背景调研   随着AI渗透到各行各业,人们对语音的需求也越来越大,最近一两年,各种AI音频设备如雨后春笋般冒出.各种智能AI设备的推出,意味者市场对低成本的音频采集设备越来越多.针对这种情况,我们开发出了一整套专门负责采集音频信号的解决方案.该解决方案有着什么特点呢? 方案介绍   这个解决方案和传统的解决方案有很大区别.主要表现以下几个方面: 低成本:该解决方案使用的是一颗单芯片就可以搞定,外围器件极少,因此成本可以控制的非常低. 高灵敏度:该方案可以支持高达10米的远场信号采集,并支持搞到采

背景调研   随着AI渗透到各行各业,人们对语音的需求也越来越大,最近一两年,各种AI音频设备如雨后春笋般冒出.各种智能AI设备的推出,意味者市场对低成本的音频采集设备越来越多.针对这种情况,我们开发出了一整套专门负责采集音频信号的解决方案.该解决方案有着什么特点呢? 方案介绍   这个解决方案和传统的解决方案有很大区别.主要表现以下几个方面: 低成本:该解决方案使用的是一颗单芯片就可以搞定,外围器件极少,因此成本可以控制的非常低. 高灵敏度:该方案可以支持高达10米的远场信号采集,并支持搞到采

题解 (搬运一个原来博客的论文题) 抱着板题的心情去,结果有大坑 就是S == T的时候也一定要走,++K 我发现按照论文写得\(O(n \log n + m + k \ log k)\)算法没有玄学A*快,不开心啊(或者我松教水平不高啊) 论文里主要是怎么样呢,把所有边反向,从T开始求最短路,然后求一个最短路树,求法就是把新边权改成 原来的边权 + 终点最短路 - 起点最短路 如果新边权是0,那么这条边就在最短路树里,如果有很多条边边权是0就随便选一条 然后我们对于每个点走一条不同于最短路的路

处理器图像: 处理后图像: 代码: from PIL import Image image = Image.open('4.jpg') image = image.convert('L') image.show() import numpy as np image = np.asarray(image) image = (image > 135) * 255 image = Image.fromarray(image).convert('RGB') image.show() image.save

在2015年8月份的时候,决心学习图像算法. 几乎把当时市面上的图像算法相关书籍都看了一遍, 资金有限,采取淘宝买二手书,长期驻留深圳图书馆的做法, 进度总是很慢,学习算法不得其法. 虽然把手上所有书籍都看完了,有那么一点点头绪, 但是感觉没有任何实战经验,或者说实际的产出. 那时候恰巧看到ImageShop的一篇文章,<一种具有细节保留功能的磨皮算法.> 羡慕至极,在此情况下,鉴于本人安全出身,逆向功底还算扎实. 对这个算法进行了,长达1个月的逆向工作. 当然其实更多时间,还是对算法流程的理

文章主要介绍噪声消除,文章来自博客园RTC.Blacker,支持原创,转载必须说明出处,欢迎关注微信公众号blacker,更多详见www.rtc.help -------------------------------------------- RTC中声音处理是个很麻烦的事,难点很多,回声,噪声,啸声,增益,等等,其实从中国潜艇噪声那么大就可看出这东西确实不好处理. 这些年我也被这些问题搞得烦死了,特别是android上面的,当然折腾过程中也发现了很多被大家误解的现象: 1.只有qq和微信语音

最近认真的研读了这篇关于降噪的论文.它是一种利用混合模型降噪的方法,即既利用了生成模型(MoG高斯模型),也利用了判别模型(神经网络NN模型).本文根据自己的理解对原理做了梳理. 论文是基于"Speech Enhancement Using a Mixture-Maximum Model"提出的MixMAX模型的.假设噪声是加性噪声,干净语音为x(t),噪声为y(t),则在时域带噪语音z(t)可以表示为z(t) = x(t) + y(t).对z(t)做短时傅里叶变换(STFT)得到Z(

Manacher算法 首先:大家都知道什么叫回文串吧,这个算法要解决的就是一个字符串中最长的回文子串有多长.这个算法可以在O(n)的时间复杂度内既线性时间复杂度的情况下,求出以每个字符为中心的最长回文有多长,    这个算法有一个很巧妙的地方,它把奇数的回文串和偶数的回文串统一起来考虑了.这一点一直是在做回文串问题中时比较烦的地方.这个算法还有一个很好的地方就是充分利用了字符匹配的特殊性,避免了大量不必要的重复匹配.    算法大致过程是这样.先在每两个相邻字符中间插入一个分隔符,当然这个分隔符

这里,我介绍一下O(n)回文串处理的一种方法.Manacher算法.原文地址:http://zhuhongcheng.wordpress.com/2009/08/02/a-simple-linear-time-algorithm-for-finding-longest-palindrome-sub-string/    其实原文说得是比较清楚的,只是英文的,我这里写一份中文的吧.    首先:大家都知道什么叫回文串吧,这个算法要解决的就是一个字符串中最长的回文子串有多长.这个算法可以在O(n)的

题目:[NOIP1999]拦截导弹 问题编号:217 题目描述 某国为了防御敌国的导弹袭击,发展出一种导弹拦截系统.但是这种导弹拦截系统有一个缺陷:虽然它的第一发炮弹能够到达任意的高度,但是以后每一发炮弹都不能高于前一发的高度.某天,雷达捕捉到敌国的导弹来袭.由于该系统还在试用阶段,所以只有一套系统,因此有可能不能拦截所有的导弹. 输入格式 输入数据为两行, 第一行为导弹的数目N(n<=1000) 第二行导弹依次飞来的高度,所有高度值均为不大于30000的正整数. 输出格式 输出只有一行是这套系

很多时候lis 用二分的方法比较方便 这里写一下他的原理 这里仅对严格的最长上升子序列做讨论 这里有两个数列  一个数列是 原串的数列 a1-an  另一个数列是最长上升子序列辅助数列 s数列的长度为 k, 是当前最长上升子序列长度 先来看看n*n的方法 dp[i]=max{dp[j]+1|j<i && ai>aj} s数列是  对于当前的串  a1-ak  最长上升子序列为k  j<=k 上升子序列长度为j的子串中,第j位最小的数为sj 用类似递推的思想 顺序从a1推到

A* 算法非常简单.算法维护两个集合:OPEN 集和 CLOSED 集.OPEN 集包含待检测节点.初始状态,OPEN集仅包含一个元素:开始位置.CLOSED集包含已检测节点.初始状态,CLOSED集为空.从图形上来看,OPEN集是已访问区域的边界,CLOSED集是已访问区域的内部.每个节点还包含一个指向父节点的指针,以确定追踪关系. 算法有一个主循环,重复地从OPEN集中取最优节点n(即f值最小的节点)来检测.如果n是目标节点,那么算法结束:否则,将节点n从OPEN集删除,并添加到CLOSED

该文对体数据进行综述,并介绍了体数据的各种算法和技术的特点. 前言 由于3D数据采集领域的高速发展,以及在具有交互式帧率的现代化工作站上执行高级可视化的可能性,体数据的重要性将继续迅速增长. 数据集可以通过MRI,CT,PET,USCT或回声定位等技术捕获,也可以通过物理模拟(流体动力学或粒子系统)产生.以上提到的一系列技术证明了体数据信息在医疗行业中起着至关重要的作用.体数据信息被用于癌症检测,动脉瘤可视化和治疗计划.这种数据对使用计算机断层扫描或超声波的非破坏性材料测试非常有用.此外, 来源

算法正确性证明: 1.最优性:最小边一定包含在生成树中. 2.合法性:一定不会构成环.如果存在环说明一个点的最小连边有两个,显然矛盾. 算法时间复杂度证明: 每执行一次算法,所有联通块的大小都至少为2,因此总联通块个数一定至少/2,因此最多只会执行log次. 算法实现: 1.为了避免边权相同的情况,以点标号为第二关键字,为了方便维护最小点编号,把每个联通块在并查集上的代表元素设为该联通块内的最小元素. 2.这个算法执行完后会有重边,可以利用一些奇怪的方法去重. 3.注意把给边去重和merge这两

javascript数据结构与算法--基本排序算法(冒泡.选择.排序)及效率比较 一.数组测试平台. javascript数据结构与算法--基本排序(封装基本数组的操作),封装常规数组操作的函数,比如:插入新数据,显示数组数据,还有交换数组元素等操作来调用不同的排序算法 function CArray(numElements) { this.dataStore = []; this.pos = 0;//是一个索引值,默认为0,从第一个开始 this.numElements = numElemen

今天主要介绍三个常用联接运算符算法:合并联接(Merge join),哈希联接(Hash Join)和嵌套循环联接(Nested Loop Join).(mysql至8.0版本,都只支持Nested Loop Join,下一篇文章我会单独说下mysql对Nested Loop Join的使用) 一个关系可以是: 1 一个表 2 一个索引 3 上一个运算的中间结果(比如上一个联接运算的结果) 当你联接两个关系时,联接算法对两个关系的处理是不同的.在本文剩余部分,我将假定: 外关系是左侧数据集(驱动

如此好贴,不能不转!原文地址:http://dev.gameres.com/Program/Abstract/Arithmetic/AmitAStar.mht 中文译文转自:http://blog.csdn.net/b2b160/article/details/4057781[csdn b2b160] 本文版权归原作者.译者所有,我只是转贴:如果侵害到您的权益,请联系我,我将删除本文. 基本上,这文章可以说是最佳A*算法文档.极力推荐! Amit's A star Page中译文   译序 这篇