一种基于FxLMS结构的主动降噪系统、方法及设备

    公开(公告)号:CN118251717A

    公开(公告)日:2024-06-25

    申请号:CN202180103653.0

    申请日:2021-11-02

    IPC分类号: G10K11/178 H04R1/10

    摘要: 本申请公开了一种基于FxLMS结构的主动降噪系统、方法及设备,包括:初级通路自适应滤波器、次级通路自适应滤波器及子带滤波器组,子带滤波器组用于基于目标播放声音调整次级通路自适应滤波器的滤波器系数。系统在现有FxLMS结构基础上,增加子带滤波器组,使得在主动降噪设备播放目标声音(如音乐信号)的过程中,利用子带滤波器组将目标播放声音白噪声化,消除相关性(这是因为音乐信号的相关性强,特征值接近零,步长需设得较小,严重影响自适应滤波器收敛速度)以得到实时的次级通路自适应滤波器的滤波器系数,比起利用白噪声进行次级通路建模的离线方式,直接利用目标播放声音实时在线建模提高了用户舒适度,更具有实用性,且能实时动态自行调整。

    一种检测电阻、电容及电感主要参数的测量系统

    公开(公告)号:CN116699244A

    公开(公告)日:2023-09-05

    申请号:CN202310691320.5

    申请日:2023-06-12

    IPC分类号: G01R27/02 G01R27/26

    摘要: 本发明公开了一种检测电阻、电容及电感主要参数的测量系统,包括:信号发生器模块,用于生成激励信号,信号调理模块,将信号发生模块输出的模拟激励信号转换为待测的模拟电压信号,信号调理模块包括功率放大器、待测元件、阻抗匹配器、三个标准电阻、三个开关,信号处理模块,接收信号调理模块输出的第一模拟电压信号和第二模拟电压信号并进行分析获得两路模拟电压信号的比值和相位差,从而得到待测元件的主要参数;包括左声道的模数转换器和右声道的模数转换器;结果显示模块,用于显示待测元件的主要参数;对于待测元件未知值,均可以通过系统调整标准电阻以及自动调整混合正弦波激励信号的频率来进行测试,实现快速检测待测元件的具体参数信息。

    一种鲁棒的分布式说话人噪声消除系统

    公开(公告)号:CN114724571A

    公开(公告)日:2022-07-08

    申请号:CN202210329198.2

    申请日:2022-03-29

    IPC分类号: G10L21/0208 G10L25/27

    摘要: 本发明公开了一种鲁棒的分布式说话人噪声消除系统,包括离散傅里叶变换模块、语音活动检测模块、信噪比计算模块、树形拓扑修剪模块、数据驱动比较模块、数据压缩模块、根节点运算模块、协方差矩阵估计模块、滤波器更新模块、结果传递模块、根节点更新模块和离散傅里叶反变换模块。本发明是一种可以应用在任意网络拓扑连接下的鲁棒分布式说话人噪声消除技术,它通过将任意网络拓扑修剪为树形拓扑,并在树形拓扑下完成了输入信噪比的比较,这使得对于运动说话人具有一定的鲁棒性,即无论说话人的位置在哪里,拥有最大输入信噪比的节点总是可以被找到,最终进行分布式说话人噪声消除。

    一种基于G.722.1的多描述语音编码方法

    公开(公告)号:CN111402907A

    公开(公告)日:2020-07-10

    申请号:CN202010177908.5

    申请日:2020-03-13

    IPC分类号: G10L19/16 G10L19/032

    摘要: 本发明公开了一种基于G.722.1的多描述语音编码方法,将原始语音信号分别输入至G.722.1编码器和互补编码器进行编码分别得到码流I和码流II;将码流I和码流II分别打包成packet1和packet2,再将packet1和packet2通过通信网络传输至解码器中进行解码得到解码语音信号。该方法采用一种多描述语音编码框架,将一条语音编码出两个码流,这两个码流互不影响,可以使用原解码器单独解码,且解码出的语音质量不低于原G.722.1编解码器;如果两个码流联合解码,解码出的语音质量明显优于原G.722.1编解码器,并且新引入的互补编码器,编码时采用不断量化、反馈感知误差的方法。

    一种基于子带分解的在线声源分离增强系统

    公开(公告)号:CN111312275A

    公开(公告)日:2020-06-19

    申请号:CN202010090988.0

    申请日:2020-02-13

    发明人: 王鹤 陈喆 殷福亮

    摘要: 本发明公开了一种基于子带分解的在线声源分离增强系统,具体包括子带分解模块、语音活动检测模块、特征提取模块、说话人识别模块、参数估计模块、声源分离模块、后置滤波模块和子带合成模块。该系统利用识别出的说话人单独发声的片段估计对应声源的相对传递函数RTF,实现了实时的相对传递函数RTF估计,同时降低了其他声源信号对某个特定声源相对传递函数RTF估计的干扰;同时该系统提高了传统KNN说话人识别的准确率,并且在噪声干扰较大时也能有较高的识别准确率。

    一种基于分布式麦克风阵列的声源定位系统

    公开(公告)号:CN107102296B

    公开(公告)日:2020-04-14

    申请号:CN201710287177.8

    申请日:2017-04-27

    IPC分类号: G01S5/22

    摘要: 本发明公开了一种基于分布式麦克风阵列的声源定位系统,包括:预处理单元,根据麦克风子阵列采集到的初始音频信号,对该信号进行帧划分,分析计算每一帧音频信号的短时能量,得出音频帧序列中的噪声帧和语音帧;得出所述音频帧序列的信噪比;子阵列选择单元,分析所述麦克风阵列中每个子阵列接收信号的直混比DRR,选取直混比DRR超过阈值的麦克风子阵列。时延计算单元;声源定位单元,该单元包括根据所述每个麦克风对的时延,对声源位置进行预估,得到声源空间U的粗定位模块;精确定位模块:在所述的声源空间U中进行搜索,得到所述声源空间U中的改进的可控响应功率的最大点;分析多个麦克风子阵列的定位结果,经过一致性处理,最终确定声源位置。

    一种海杂波背景下的弱目标检测方法及系统

    公开(公告)号:CN105894033B

    公开(公告)日:2020-01-10

    申请号:CN201610202619.X

    申请日:2016-04-01

    IPC分类号: G06K9/62

    摘要: 本发明属于雷达检测技术领域,提供了一种海杂波背景下的弱目标检测方法及系统。方法包括:用已知状态的海杂波信号作为训练样本的数据,提取训练样本的至少两种特征向量并融合得到第一联合特征向量,通过对检测系统进行训练,使检测系统对训练样本的检测准确率达到理想值。此时固化训练用检测系统的各项参值数,将各项参数传递给测试检测器,用于未知海杂波数据状态的判定,其中的训练过程只需一次。本发明将近似熵作为描述海杂波特性的特征向量,提高了对次目标单元的检测准确度。

    一种用于分布式无线声传感器网络的语音增强系统

    公开(公告)号:CN110289011A

    公开(公告)日:2019-09-27

    申请号:CN201910649352.2

    申请日:2019-07-18

    IPC分类号: G10L21/0264 G10L21/0216

    摘要: 本发明公开了一种用于分布式无线声传感器网络的语音增强系统,具体包括:相位对齐模块、解析变换模块、小波变换模块、NPSD估计模块、MVDR滤波器模块、分布式算法迭代模块和小波反变换模块。采用该系统首先将每个节点的输入信号要和距离声源最远的那个节点相位对齐,对齐之后的每一路信号分别进行解析小波变换;然后,在小波域中估计NPSD,同时得到MVDR滤波系数;最终,通过分布式算法迭代模块得到每个节点麦克风的输出信号,对输出信号进行小波反变换并取实部获得时域信号。该系统的实现是由每个麦克风和其附近麦克风通过交换特定数据,使得所有麦克风的初始状态值经过迭代收敛到全局平均值完成的。

    头相关脉冲响应数据集处理方法

    公开(公告)号:CN104503963B

    公开(公告)日:2018-01-09

    申请号:CN201410512710.2

    申请日:2014-09-26

    IPC分类号: G06F17/30 G06K9/46

    摘要: 本发明实施例提供一种头相关脉冲响应数据集处理方法。本发明方法,包括:处理器将头相关脉冲响应HRIR数据集按照仰角和/或水平角进行分组;所述处理器通过局部线性嵌入算法LLE在分组后HRIR中选取重构误差最小值的HRIR作为高维HRIR样本点;所述处理器将所述HRIR样本点降维至低维空间,得到低维HRIR;所述处理器采用分段直线拟合在所述低维HRIR样本点中选取特征HRIR样本点;所述处理器按照仰角顺序和/或水平角顺序将所述特征HRIR样本点组合为三维矩阵。本发明实施例解决了特征HRIR选取方法误差过大的问题。

    一种基于深度学习的说话人识别方法

    公开(公告)号:CN104157290B

    公开(公告)日:2017-10-24

    申请号:CN201410409252.X

    申请日:2014-08-19

    IPC分类号: G10L17/02 G10L17/04

    摘要: 本发明公开了一种基于深度学习的说话人识别方法,包括以下步骤:S1:对采集到的语音信号进行预加重和交叠式分帧加窗;S2:采用基于短时能量和短时过零率的双阈值端点检测法对语音信号进行端点检测,判断识别语音的开始时刻、过渡阶段、噪声段和结束时刻;S3:对语音信号进行特征提取:S4:基于受限玻尔兹曼机分层组成深度信念网络模型,采用逐层贪婪算法结合说话人语音特征参数对建立好的深度信念网络模型进行训练,在深度信念网络模型的顶层加入Softmax分类器;S5:将说话人的语音特征输入到完成训练的深度信念网络模型中,计算该模型输出与其他说话人语音特征的相似概率,取概率最大所对应的说话人作为识别结果。