2022年12月2日

摘要: scipy.io.wavfile.read, soundfile.read, librosa.load三种读取音频文件的方式的区别 import scipy.io.wavfile as wavfile import soundfile as sf import librosa import matp 阅读全文
posted @ 2022-12-02 20:34 ZnHang 阅读(2867) 评论(0) 推荐(1) 编辑

2022年10月21日

摘要: 宽带前馈ANC 宽带前馈ANC的组成部分有: 单个参考传感器(麦克风),单个次级声源,单个误差传感器。 这种类型的ANC系统被简化之后的单通道管式ANC系统框图如下图1所示: 其中输入信号,也就是参考信号被参考麦克风采集; 参考信号被采集之后,通过ANC系统的处理,去驱动一个麦克风(次级麦克风); 阅读全文
posted @ 2022-10-21 22:03 ZnHang 阅读(2128) 评论(0) 推荐(0) 编辑

2022年10月8日

摘要: 维纳(wiener)滤波器以及维纳滤波器的语音增强 线性最优滤波问题 滤波器的输入时间序列为$u(0), u(1), ...$ 滤波器用其冲激响应$w(o),w(1),...$进行表示, 在离散时刻$n$滤波器输出为$y(n)$ 期望响应为$d(n)$,期望响应与滤波器输出之间的估计误差用$e(n) 阅读全文
posted @ 2022-10-08 16:43 ZnHang 阅读(1920) 评论(0) 推荐(1) 编辑

2022年9月30日

摘要: 现代功率谱估计(2):Levinson-Durbin递推方法求解AR模型参数 p阶AR模型的差分方程形式和系统函数分别为: 令$z = e^{jw}$,则AR模型输出的功率谱密度为: AR模型的系统输出信号为$x(n)$,计算输出信号的自相关函数: 其中最后结果的后面一项,输出信号$x(n)$和输入 阅读全文
posted @ 2022-09-30 14:10 ZnHang 阅读(1704) 评论(0) 推荐(0) 编辑
 
摘要: 现代功率谱估计(3):SVD-TLS,奇异值分解—总体最小二乘方法求解AR模型参数 Yuler-Walker方程及修正Yuler-Walker方程 对于一个AR$(p)$过程,其输出信号的自相关函数和AR系数有以下方程: 现在的问题是,如何求解AR模型的系数$a_{i}$以及AR模型的阶数$p$,根 阅读全文
posted @ 2022-09-30 13:18 ZnHang 阅读(1501) 评论(0) 推荐(0) 编辑

2022年9月27日

摘要: 现代功率谱估计(1):求解Yuler-Walker方程的方法 相当多的平稳随机过程都可通过一个白噪声为输入,激励一个线性时不变系统来产生,此系统可用线性差分方程进行描述,此种差分方程即为自回归-滑动平均(autoregressive - moving average, AR-MA)模型。(张贤达,现 阅读全文
posted @ 2022-09-27 20:58 ZnHang 阅读(2182) 评论(0) 推荐(0) 编辑

2021年2月13日

摘要: 神经网络(NN)的复杂度 空间复杂度: 计算神经网络的层数时只统计有运算能力的层,输入层仅仅起到将数据传输进来的作用,没有涉及到运算,所以统计神经网络层数时不算输入层 输入层和输出层之间所有层都叫做隐藏层 层数 = 隐藏层的层数 + 1个输出层 总参数个数 = 总w个数 + 总b个数 时间复杂度: 阅读全文
posted @ 2021-02-13 22:24 ZnHang 阅读(784) 评论(0) 推荐(0) 编辑
 
摘要: 鸢尾花数据集(Iris) 参考视频及资料:https://www.bilibili.com/video/BV1B7411L7Qt?from=search&seid=202820015499098798 共有数据150组,每组包括花萼长、花萼宽、花瓣长、花瓣宽4个输入特征。 同时给出了,这一组特征对应 阅读全文
posted @ 2021-02-13 17:10 ZnHang 阅读(1803) 评论(0) 推荐(1) 编辑
 
摘要: 参考视频及资料:https://www.bilibili.com/video/BV1B7411L7Qt?from=search&seid=202820015499098798 tensor 维数 阶 名字 例子 0 0 标量() s = 1 2 3 1 1 向量() v = [1,2,3] 2 2 阅读全文
posted @ 2021-02-13 14:07 ZnHang 阅读(1435) 评论(0) 推荐(0) 编辑

2021年2月6日

摘要: 梯度下降 成本函数(Cost function): \[ J(w,b) = \frac{1}{m}\sum\limits_{i = 1}^m {L({{\widehat y}^{(i)}},{y^{(i)}})} = - \frac{1}{m}\sum\limits_{i = 1}^m {\left 阅读全文
posted @ 2021-02-06 14:01 ZnHang 阅读(838) 评论(0) 推荐(0) 编辑