CN108696312A - 基于背向瑞利散射的光纤监听语音增强技术 - Google Patents
基于背向瑞利散射的光纤监听语音增强技术 Download PDFInfo
- Publication number
- CN108696312A CN108696312A CN201710223145.1A CN201710223145A CN108696312A CN 108696312 A CN108696312 A CN 108696312A CN 201710223145 A CN201710223145 A CN 201710223145A CN 108696312 A CN108696312 A CN 108696312A
- Authority
- CN
- China
- Prior art keywords
- algorithm
- optical fiber
- formula
- decorrelation
- lms
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
- 238000000034 method Methods 0.000 title claims abstract description 20
- 239000013307 optical fiber Substances 0.000 title claims abstract description 19
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 56
- 238000001914 filtration Methods 0.000 claims abstract description 13
- 238000012544 monitoring process Methods 0.000 claims abstract description 6
- 230000008859 change Effects 0.000 claims description 2
- 238000012545 processing Methods 0.000 abstract description 6
- 230000003044 adaptive effect Effects 0.000 abstract description 5
- 230000002708 enhancing effect Effects 0.000 abstract description 3
- 238000000322 laser mass spectrometry Methods 0.000 description 20
- 230000000694 effects Effects 0.000 description 18
- 230000006870 function Effects 0.000 description 15
- 238000012360 testing method Methods 0.000 description 8
- 239000004568 cement Substances 0.000 description 3
- 230000008569 process Effects 0.000 description 3
- 230000009467 reduction Effects 0.000 description 3
- 238000005311 autocorrelation function Methods 0.000 description 2
- 238000004364 calculation method Methods 0.000 description 2
- 230000002596 correlated effect Effects 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 239000000835 fiber Substances 0.000 description 2
- 238000012804 iterative process Methods 0.000 description 2
- 230000035945 sensitivity Effects 0.000 description 2
- 238000004088 simulation Methods 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 238000006757 chemical reactions by type Methods 0.000 description 1
- 230000001427 coherent effect Effects 0.000 description 1
- 230000001276 controlling effect Effects 0.000 description 1
- 238000005314 correlation function Methods 0.000 description 1
- 230000007423 decrease Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 230000003111 delayed effect Effects 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 239000006185 dispersion Substances 0.000 description 1
- 235000013399 edible fruits Nutrition 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 239000002360 explosive Substances 0.000 description 1
- 238000010304 firing Methods 0.000 description 1
- 238000012074 hearing test Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 239000011159 matrix material Substances 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 238000012805 post-processing Methods 0.000 description 1
- 238000011946 reduction process Methods 0.000 description 1
- 230000001105 regulatory effect Effects 0.000 description 1
- 230000008844 regulatory mechanism Effects 0.000 description 1
- 230000003014 reinforcing effect Effects 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
- 230000005236 sound signal Effects 0.000 description 1
- 230000003595 spectral effect Effects 0.000 description 1
- 238000001228 spectrum Methods 0.000 description 1
- 230000007704 transition Effects 0.000 description 1
- 238000012795 verification Methods 0.000 description 1
Classifications
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04B—TRANSMISSION
- H04B10/00—Transmission systems employing electromagnetic waves other than radio-waves, e.g. infrared, visible or ultraviolet light, or employing corpuscular radiation, e.g. quantum communication
- H04B10/80—Optical aspects relating to the use of optical transmission for specific applications, not provided for in groups H04B10/03 - H04B10/70, e.g. optical power feeding or optical transmission through water
- H04B10/85—Protection from unauthorised access, e.g. eavesdrop protection
-
- G—PHYSICS
- G10—MUSICAL INSTRUMENTS; ACOUSTICS
- G10L—SPEECH ANALYSIS TECHNIQUES OR SPEECH SYNTHESIS; SPEECH RECOGNITION; SPEECH OR VOICE PROCESSING TECHNIQUES; SPEECH OR AUDIO CODING OR DECODING
- G10L21/00—Speech or voice signal processing techniques to produce another audible or non-audible signal, e.g. visual or tactile, in order to modify its quality or its intelligibility
- G10L21/02—Speech enhancement, e.g. noise reduction or echo cancellation
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04B—TRANSMISSION
- H04B10/00—Transmission systems employing electromagnetic waves other than radio-waves, e.g. infrared, visible or ultraviolet light, or employing corpuscular radiation, e.g. quantum communication
- H04B10/25—Arrangements specific to fibre transmission
- H04B10/2507—Arrangements specific to fibre transmission for the reduction or elimination of distortion or dispersion
- H04B10/2537—Arrangements specific to fibre transmission for the reduction or elimination of distortion or dispersion due to scattering processes, e.g. Raman or Brillouin scattering
Landscapes
- Engineering & Computer Science (AREA)
- Signal Processing (AREA)
- Physics & Mathematics (AREA)
- Computer Networks & Wireless Communication (AREA)
- Electromagnetism (AREA)
- Human Computer Interaction (AREA)
- Audiology, Speech & Language Pathology (AREA)
- Health & Medical Sciences (AREA)
- Acoustics & Sound (AREA)
- Multimedia (AREA)
- Quality & Reliability (AREA)
- Computational Linguistics (AREA)
- Computer Security & Cryptography (AREA)
- Filters That Use Time-Delay Elements (AREA)
Abstract
本发明公开了一种基于背向瑞利散射的光纤监听语音增强技术。针对光纤监听语音信噪比低、传统自适应滤波算法适应性差、输入信号高度相关时收敛速度慢等问题，本文从自适应滤波理论出发，在分析标准最小均方误差算法(LMS)原理以及性能的基础上，综合变步长LMS算法与解相关原理的优点，提出了一种改进的语音增强算法。该算法在利用箕舌线函数来更新自适应滤波步长因子的同时引入解相关原理来进行语音降噪处理。并比对该算法与他几种LMS传统算法的跟踪能力、计算复杂度以及语音的增强效果等方面都是较为优越，证明了本文提出的算法能有效改善传统算法适应性差、收敛速度慢、稳态误差大等问题，从而增强光纤监听的语音信号。
Description
技术领域
本发明涉及光纤听音、安防领域，特别是涉及一种基于背向瑞利散射的光纤监听语音增强技术方法。
背景技术
光纤声音传感器作为一种新型的声音传感器,具有抗电磁和射频干扰、灵敏度高、安全可靠和保密性强等优点,特别适用于强电磁场、高射频、易燃易爆和军事安全等场合。然而目前的光纤声音传感器信噪比过低，导致实用性差，因此研究光纤声音传感器的语音增强的方法具有非常重要的理论价值和实际应用意义。
发明内容
本发明主要解决的技术问题是提供一种基于瑞利散射的反馈式光纤监听语音增强的方法。基于光纤中瑞利散射的反馈光的反射强度调制，提出了提出了一种基于自适应滤波技术的改进的解相关变步长LMS算法(DTCLMS)。语音增强的效果往往很难同时达到既充分改善音质，又最大限度的提升语音的可懂性，通常人们往往只能针对具体应用环境的不同而有所侧重。
为解决上述技术问题，更好的协调音质与可懂度的统一，实现对反馈型光纤监听带噪语音信号的最优增强。本发明采用的一个技术方案是：提出基于箕舌线函数与解相关原理的变步长LMS算法(DTCLMS)。
其中，所述基于箕舌线函数与解相关原理的变步长LMS算法设计的步骤包括：步长更新和输入向量之间的相关特性解除方法。首先，本发明为了使LMS算法在具有较小稳态误差的条件下仍能快速收敛，要求滤波系统在初始阶段或系统状态发生改变时具有较大的步长µ，在加快算法收敛速度的同时提升对时变系统的跟踪能力。当算法逐步进入收敛阶段时，适时的减小µ，以降低系统的稳态误差。即在滤波的过程中用一个变化的µ来更新权系数矢量，这就是变步长思想的核心。
其中。所述更新步长时所选调控机制，采用估计误差e(n)与滤波器权系数W(n)，因为其在整个迭代过程中是变化的，因此可直接作为步长更新的调控因子。以估计误差e(n)为例，采用如下几种变换方法来实现变步长LMS算法的步长更新。
1)使µ正比于e(n)；
2)建立µ与e2(n)瞬时值之间的关系；
3)令µ正比于e(n)和x(n)的互相关函数的估值；
4)用当前误差e(n)与上一步误差e(n-1)的自相关函数估值更新步长µ；
5)利用某一函数曲线来更新步长。
同时，为使算法的计算复杂度相对较低，用一个小的调整步长µ将权系数稳定于一个较小的邻域内，使滤波系统达到较小的稳态失调。当误差e(n)接近零时，会导致步长µ发生较大的改变。在这一点上，箕舌线函数恰好可以弥补Sigmoid函数的缺陷，在误差e(n)接近零时，步长µ以一个缓慢的速度而变化。同时该函数计算过程简单，没有涉及诸如Sigmoid函数的复杂运算，因而实用性强，被广泛应用于变步长LMS控制中。标准箕舌线函数表达式如式(1)。
(1)
a取0.5，并增加函数形状及幅度控制因子α、β，有如下步长更新表达式如式(2)。
利用式(2)中的μ(n)代替式2中的固定步长μ，通过跟踪误差e(n)来调整步长。可使算法在初始 阶段误差e(n)较大的情况下，获得大的调整步长μ。而随着算法逐步收敛，误差e(n)逐渐降低， 步长μ也相应的减小，并最终使滤波系统稳定于最佳权系数附近。所以说以箕舌线函数来更 新步长μ，可在加强算法对跃变系统跟踪性能的同时一定程度的解决固定步长LMS所存在的 矛盾，改善算法的各项性能。
其中，基于箕舌线函数的变步长LMS算法虽在一定程度上提升了算法的性能，但这一过程是基于输入向量彼此独立这一独立性假设。而反馈型光纤监听的测量精度受到光源功率变化、光纤传输损耗、光电探测器的特性漂移等影响，其输入信号通常不满足这一假设，此时滤波效果不足。未解决上述问题，本发明采用的再一个技术方案是采用解除输入向量之间的相关特性来实现最优的滤波效果。
其中，定义输入向量X(n)在n及n-1时刻的相关系数Ɛ(n)如下所示：
Ɛ(n)越大说明X(n)与X(n-1)之间的关联性越强。结合Ɛ(n)得新的更新向量如下所示：
其中，Ɛ(n)代表与X(n)与X(n-1)之间相关的部分，从X(n)中减去Ɛ(n)X(n-1)就相当于“解相关”运算。由式3、4易得X(n-1)ZT(n)=0，即解相关向量Z(n)与n-1时刻的信号X(n-1)正交，正是这种正交关系有效加快了算法收敛的速度。基于解相关的权值迭代可表示为
再对µ(n)作归一化处理，其结果为：
对于LMS算法在迭代过程中，是利用输入矢量X(n)来更新权值向量调整的方向。式6显示，经解相关运算可改变自适应滤波算法的权向量迭代中权值调整的方向，利用解相关后的(正交)信号分量Z(n)作权值调整，可显著改善算法的收敛性能。基于瑞利散射的光纤监听系统来说，DTCLMS 算法不管是从主观听觉测试还是客观信噪比改善方面的处理效果都是最优的，可最大限度的提高处理后语音的清晰度与可懂度。经 DTCLMS 算法处理后，含噪语音的信噪比提升了将近 10dB，有效的去除了加载在语音中的噪声，获得较纯净的语音信号。测试结果证明DTCLMS 算法较现有的自适应滤波算法有更好的降噪性能和语音增强效果。
附图说明
图1是本发明采用的DTCLMS算法整体示意图；
图2是本发明采用的系统滤波通路示意图；
图3是本发明在不同LMS算法作用下的收敛性能曲线；
图4是本发明TCLMS与DTCLMS算法对弱相关输入信号的降噪性能测试图；
图5是本发明在TCLMS算法去噪效果测试；
图6是本发明DTCLMS算法去噪效果测试。
具体实施方式
以下描述中，为了说明而不是为了限定，提出了诸如特定系统结构、接口、技术之类的具体细节，以便透彻理解本申请。然而，对光纤监听领域熟悉的同行人员来说，在没有这些具体细节的其它实施方式中也可以实现本申请。在其它情况中，省略对大家熟悉的装置、电路以及方法的详细说明，以免不必要的细节妨碍本申请的描述。
请参阅图1，图1为DTCLMS算法整体示意图，包括：1)读入原始语音信号V并对 其进行延时得到信号X，初始化相关系数子α、β，以及滤波器权系数W(0),定义帧长，并 初始化帧数g＝；
2)截取一帧数据，开始帧内迭代滤波处理；
3)按照式2的箕舌线函数更新迭代步长μ(n)，同时按照式4的解相关运算得出权系数更新方 向矢量Z(n)；
4)综合变步长和解相关，根据6式求改进LMS算法的权系数矢量W(n)。并根据下式计算滤 波输出信号：
5)若一帧数据处理完毕，g＝g+1，回到步骤(2)进行下一帧数据滤波。
图2示出的是系统滤波通路图，描绘的是光纤监听系统在获取语音信号后处理流程。即通过传声器完成原始语音信号的采集之后，首先根据实际需要对其进行放大处理以及抗混叠滤波，以防止A/D转换时信号频谱发生混叠。其次在DSP内部完成信号的数字化处理。最后输出经D/A转换后的信号。在实施中，语音增强系统分为以下几个部分：
(1)信号采集模块：主要完成音频信号的采集及模拟音频A/D转换。鉴于环境特性的考虑，在此可选用灵敏度高、拾音效果好的驻极体电容式传声器；
(2)信号处理模块：语音数字化处理，即DSP处理模块，主要用于实现系统的核心算法；
(3)信号输出模块：将DSP处理后的信号经D/A转换为可驱动扬声器发声的模拟音频。
请参阅图3，图3为不同LMS算法作用下的收敛性能曲线图，通过最小均方误差特性来分析同一仿真信号在固定步长LMS算法、基于Sigmoid函数的变步长LMS算法(Sigmoidleastmeansquare:SLMS)、基于箕舌线函数的变步长LMS算法(Tongue-likecurveleastmeansquare:TCLMS)以及本文基于箕舌线函数与解相关原理的变步长LMS算法(DTCLMS)作用下系统的均方误差。其中仿真信号为随机取值为+1、-1的双极性随机序列，在进入滤波系统之前先使其通过一个FIR滤波器，并在输出端加入高斯白噪声。最终所得的信号则用于构建时延结构的噪声对消模型，仿真计算采样点数为2000，重复次数为1000时系统的均方误差，仿真结果如图3所示。可看出，较其他变步长LMS算法而言，固定步长LMS算法误差大、收敛速度慢，并且当m选取不恰当时，收敛速度与稳态误差都将进一步受到影响。对比3种变步长LMS算法可知，TCLMS算法的收敛速度优于SLMS。而在TCLMS中引入解相关原理后，通过改变权系数的调整方向，在不增加稳态误差的前提下使算法的收敛性能得到了更进一步的提高，证明了解相关变步长算法的有效性。
请参阅图4，图4示出的TCLMS与DTCLMS算法对弱相关输入信号的降噪性能测试图。于解相关原理的引入是为了降低输入向量之间的相关性，减小输入自相关矩阵R的分散程度。因此为了验证该方法对相关性输入信号的滤波效果，实验构造了两组强弱不同的相关信号。仿真其在TCLMS算法和本文DTCLMS算法作用下的收敛性能曲线，测试结果如图3所示。其中输入信号为v(n)=0.9v(n1)+ns(n)，ns(n)是方差为0.26，均值为0的白噪声。可看出，若输入信号存在相关性，通过引入解相关运算，令权系数沿输入信号正交的方向进行调整，将使解相关算法的收敛速度与收敛精度优于TCLMS。且输入信号相关性越强，解相关的优越性也越强。所以说当系统输入为相关信号时，解相关算法能有效加快收敛速度，增强算法的适应性。
请参阅图5、图6，图5示出的TCLMS算法去噪效果测试图、图6DTCLMS算法去噪效果测试图。完成算法收敛性能分析之后，就需要测试含噪语音信号在DTCLMS算法作用下的去噪效果，以验证算法的有效性。由于语音信号具有准周期特性，在10～30ms内其频谱特性及相关特征参数基本不变，是一种短时平稳信号；而白噪声的自相关函数则仅在原点处非零，即只与自身相关。因此可基于噪声对消模型，利用含噪语音信号及其延时信号共同构建噪声对消系统的两路辅助输入。在此需对含噪语音进行分帧处理，帧长取20ms，且延时时间Δ取一个相对较小的值，以保持语音信号延时前后的相关性，而白噪声却去相关。利用计算机声卡录制一段纯净的语音信号，并对其添加白噪声，信噪比约为–4dB。利用上述2种LMS算法分别对该含噪语音进行降噪处理，即得到图5、图6效果。显然DTCLMS算法的直观降噪效果是最优的，可最大限度的去除夹杂在语音信号中的噪声成分。
以上所述仅为本发明的实施方式，并非因此限制本发明的专利范围，凡是利用本发明说明书及附图内容所作的等效结构或等效流程变换，或直接或间接运用在其他相关的技术领域，均同理包括在本发明的专利保护范围内。
Claims (4)
1.一种基于背向瑞利散射的光纤监听系统，提出了一种由自适应滤波技术的改进的解相关变步长 LMS 算法，其特征在于，包括：
初始阶段或系统状态发生改变时具有较大的步长µ，在加快算法收敛速度的同时提升对时变系统的跟踪能力；采用箕舌线函数并增加函数形状及幅度控制因子如式2，使得在误差e(n) 接近零时，步长以一个缓慢的速度而变化。
2.根据权利要求1所述的方法，在光纤监听系统中滤波系统求得最佳权系数的应用，其特征在于，包括：
利用式2中的µ(n)代替式1中的固定步长，通过跟踪误差e(n)来调整步长；可使算法在初始阶段误差e(n) 较大的情况下，获得大的调整步长；而随着算法逐步收敛，误差e(n)逐渐降低，步长也相应的减小，并最终使滤波系统稳定在最佳权系数。
3.根据权利要求2所述的方法，为解除输入向量弱相关时提高滤波性能，提出了解相关的方法，其特征在于，包括：
定义了义输入向量X(n)在n及n-1时刻的相关系数Ɛ(n)，由式3证明了Ɛ(n)越大说明X(n)与X(n-1)之间的关联性越强；按照式4的解相关运算，得出权系数更新方向矢量 Z (n)。
4.根据权利要求3所述的方法，其特征在于，所述瑞利散射光纤监听语音曾倩算法的权系数矢量W (n)，所述的步骤包括：
综合变步长和解相关，根据式5、式6求改进 LMS 算法的权系数矢量 W (n)，并根据式1计算滤波输出信号。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201710223145.1A CN108696312A (zh) | 2017-04-07 | 2017-04-07 | 基于背向瑞利散射的光纤监听语音增强技术 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201710223145.1A CN108696312A (zh) | 2017-04-07 | 2017-04-07 | 基于背向瑞利散射的光纤监听语音增强技术 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN108696312A true CN108696312A (zh) | 2018-10-23 |
Family
ID=63842164
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201710223145.1A Pending CN108696312A (zh) | 2017-04-07 | 2017-04-07 | 基于背向瑞利散射的光纤监听语音增强技术 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN108696312A (zh) |
Cited By (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110767245A (zh) * | 2019-10-30 | 2020-02-07 | 西南交通大学 | 基于s型函数的语音通信自适应回声消除方法 |
| CN111555994A (zh) * | 2020-05-22 | 2020-08-18 | 西北工业大学 | 一种基于最大箕舌线准则算法的簇稀疏信道估计方法 |
| CN111814515A (zh) * | 2019-04-11 | 2020-10-23 | 哈尔滨工业大学 | 基于改进变步长lms自适应的有源噪声对消方法 |
Citations (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN102707122A (zh) * | 2012-06-15 | 2012-10-03 | 西南交通大学 | 基于箕舌线的变步长lms谐波电流检测方法 |
-
2017
- 2017-04-07 CN CN201710223145.1A patent/CN108696312A/zh active Pending
Patent Citations (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN102707122A (zh) * | 2012-06-15 | 2012-10-03 | 西南交通大学 | 基于箕舌线的变步长lms谐波电流检测方法 |
Non-Patent Citations (1)
| Title |
|---|
| 王瑜琳等: "基于解相关变步长的改进型语音增强算法" * |
Cited By (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111814515A (zh) * | 2019-04-11 | 2020-10-23 | 哈尔滨工业大学 | 基于改进变步长lms自适应的有源噪声对消方法 |
| CN111814515B (zh) * | 2019-04-11 | 2024-02-23 | 哈尔滨工业大学 | 基于改进变步长lms自适应的有源噪声对消方法 |
| CN110767245A (zh) * | 2019-10-30 | 2020-02-07 | 西南交通大学 | 基于s型函数的语音通信自适应回声消除方法 |
| CN111555994A (zh) * | 2020-05-22 | 2020-08-18 | 西北工业大学 | 一种基于最大箕舌线准则算法的簇稀疏信道估计方法 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN104157293B (zh) | 一种增强声环境中目标语音信号拾取的信号处理方法 | |
| CN104616667B (zh) | 一种用于汽车内的主动降噪方法 | |
| CN103827965B (zh) | 自适应语音可理解性处理器 | |
| CN101790752B (zh) | 多麦克风声音活动检测器 | |
| Martinek et al. | Use of adaptive filtering for noise reduction in communications systems | |
| CN102543095B (zh) | 用于减少音频处理算法中的非自然信号的方法和装置 | |
| JP2004507141A (ja) | 音声強調システム | |
| CN110491406B (zh) | 一种多模块抑制不同种类噪声的双噪声语音增强方法 | |
| CN107967920A (zh) | 一种改进的自编码神经网络语音增强算法 | |
| CN108696312A (zh) | 基于背向瑞利散射的光纤监听语音增强技术 | |
| CN111128215A (zh) | 一种单通道实时降噪方法及系统 | |
| Yen et al. | Adaptive co-channel speech separation and recognition | |
| CN114446314A (zh) | 一种深度生成对抗网络的语音增强方法 | |
| CN112331226B (zh) | 一种针对主动降噪系统的语音增强系统及方法 | |
| CN110808057A (zh) | 一种基于约束朴素生成对抗网络的语音增强方法 | |
| Shi et al. | Fusion feature extraction based on auditory and energy for noise-robust speech recognition | |
| CN114566179A (zh) | 一种时延可控的语音降噪方法 | |
| US11528571B1 (en) | Microphone occlusion detection | |
| CN103971697B (zh) | 基于非局部均值滤波的语音增强方法 | |
| US7646912B2 (en) | Method and device for ascertaining feature vectors from a signal | |
| CN112634927A (zh) | 一种短波信道语音增强方法 | |
| CN117219102A (zh) | 一种基于听觉感知的低复杂度语音增强方法 | |
| CN114401168B (zh) | 适用复杂强噪声环境下短波莫尔斯信号的语音增强方法 | |
| Zhang et al. | Hybrid AHS: A hybrid of Kalman filter and deep learning for acoustic howling suppression | |
| CN114822481A (zh) | 一种磁共振声波对消降声噪声方法及系统 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| RJ01 | Rejection of invention patent application after publication | ||
| RJ01 | Rejection of invention patent application after publication |
Application publication date: 20181023 |