JJJanepp

摘要： 2.2.1 标题（2019年9月5日） 估计时间差的广义互相关方法 互相关可以表示两个信号的相似程度。 计算：两个信号循环移位相乘再相加，得到的一组互相关值。 相关函数： 何为广义？通用的框架，可以设计多种实现细节？ 2.2.2 摘要 假设：噪声是不相关的，噪声与目标声源信号不相关，噪声与噪声之间也 阅读全文

摘要： 2.1.1 题目与摘要 1、为什么要增强IPD？ The phase differences between the discrete Fourier transform (DFT) coefficients for two microphone signals are one of popular 阅读全文

摘要： 1.0 傅里叶变换 1.0.1 傅里叶变换 与 逆傅里叶变换 1.0.2 冲激函数 维基百科：https://zh.wikipedia.org/wiki/%E7%8B%84%E6%8B%89%E5%85%8B%CE%B4%E5%87%BD%E6%95%B0 博客：https://blog.csdn. 阅读全文

摘要： 1 问题描述 这两天复现代码。先构造数据集，纯净语音、不同噪声、不同SNR的混合语音。其中纯净语音由两部分组成，IEEE corpus和TIMIT。 一开始我用MATLAB中的audioread读取音频文件，合成后用audiowrite保存下来。没有任何问题。 后来，师姐让我换成python处理，不 阅读全文

摘要： 1 多元线性回归假设形式 多元线性回归算法的假设函数： 矩阵表示形式： 其中， 2 多元梯度下降 梯度下降算法： 将成本函数代入得： 3 特征缩放 为了使梯度下降算法更快的收敛，我们可以使用特征缩放将每一个特征值（元/属性）限定到[-1,1]的范围。经验值是不得大于[-3,3]，不得小于[-1/3, 阅读全文

摘要： 梯度下降算法： 线性回归模型： 线性假设： 平方差成本函数： 将各个公式代入，对θ0、θ1分别求偏导得： 再将偏导数代入梯度下降算法，就可以实现寻找局部最优解的过程了。 线性回归的成本函数总是一个凸函数，故梯度下降算法执行后只有一个最小值。 “批”梯度下降：每一个步骤都使用所有的训练样本 阅读全文

摘要： 梯度下降算法能够帮助我们快速得到代价函数的最小值 算法思路： 以某一参数为起始点 寻找下一个参数使得代价函数的值减小，直到得到局部最小值 梯度下降算法： 重复下式直至收敛（收敛是指得到局部最低点的θj后，偏导数的值为零，θj不会再改变） 并且各参数θ0,...,θn必须同时更新，即所有的θj值全部都 阅读全文

摘要： 单变量线性回归函数 hθ(x) = θ0 + θ1x 为了使线性回归函数对数据有较好的预测性，即y(i)到hθ(x(i)) 的距离都很小。 故构造代价函数，也称平均误差公式： 上式中m为训练集样本数量，用平方代替绝对值，再将所有样本点求和再求平均 最佳θ0，θ1满足下式： 阅读全文

摘要： 1 回顾1.1 监督学习定义：给定正确答案的机器学习算法分类：（1）回归算法：预测连续值的输出，如房价的预测（2）分类算法：离散值的输出，如判断患病是否为某种癌症1.2 非监督学习定义：不给定数据的信息的情况下，分析数据之间的关系。聚类算法：将数据集中属性相似的数据点划分为一类。2 单变量线性回归算 阅读全文

摘要： 1 无监督学习：在不知道数据点的含义的情况下，从一个数据集中找出数据点的结构关系。 2 聚类算法：相同属性的数据点会集中分布，聚集在一起，聚类算法将数据集分成不同的聚类。也就是说，机器不知道这些数据点具体是什么属性，到底是干什么的，但是可以将具有相同属性的数据点归为一类。 3 无监督学习的应用： 大 阅读全文