CN113095258A - 定向信号提取方法、系统、装置及存储介质 - Google Patents

定向信号提取方法、系统、装置及存储介质 Download PDF

Info

Publication number
CN113095258A
CN113095258A CN202110426047.4A CN202110426047A CN113095258A CN 113095258 A CN113095258 A CN 113095258A CN 202110426047 A CN202110426047 A CN 202110426047A CN 113095258 A CN113095258 A CN 113095258A
Authority
CN
China
Prior art keywords
signal
sub
signals
directional
adopting
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
Application number
CN202110426047.4A
Other languages
English (en)
Inventor
徐高峰
员晓毅
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Shenzhen ZNV Technology Co Ltd
Nanjing ZNV Software Co Ltd
Original Assignee
Shenzhen ZNV Technology Co Ltd
Nanjing ZNV Software Co Ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Shenzhen ZNV Technology Co Ltd, Nanjing ZNV Software Co Ltd filed Critical Shenzhen ZNV Technology Co Ltd
Priority to CN202110426047.4A priority Critical patent/CN113095258A/zh
Publication of CN113095258A publication Critical patent/CN113095258A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
    • G06F2218/08—Feature extraction
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/045—Combinations of networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
    • G06F2218/12—Classification; Matching

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Artificial Intelligence (AREA)
  • General Engineering & Computer Science (AREA)
  • Biomedical Technology (AREA)
  • Data Mining & Analysis (AREA)
  • Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • Software Systems (AREA)
  • Evolutionary Computation (AREA)
  • General Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • Mathematical Physics (AREA)
  • Signal Processing (AREA)
  • Circuit For Audible Band Transducer (AREA)

Abstract

本发明涉及信号处理技术领域，具体涉及改进型自编码器定向信号提取方法、系统、装置及存储介质，其中方法包括：采用信号采集阵列采集空间中的多维空间信号以得到采集信号；将采集信号输入到通过已知确定的历史数据训练完成的定向信号放大模型中，对目标方向上的信号进行提取并放大，以得到目标放大信号。本实施例采用训练好的信号放大模型对目标方向上的信号进行并放大，提高了特定方向信号提取的精度。

Description

定向信号提取方法、系统、装置及存储介质
技术领域
本发明涉及信号处理技术领域，具体涉及改进型自编码器定向信号提取方法、系统、装置及存储介质。
背景技术
特定方向的信号采集、信号识别在人工智能领域是一个必备的手段，对于信号的特定方向信号的采集，在无人控制领域具有非常重要的作用，如在无人机、无人船、机器人等在工作过程中需要对指挥控制等无线信号进行有效的采集，空间信号的复杂导致了上述无人设备采集时获取到不同方向的信号，导致信号产生干扰，无法有效的从空间中提取信号。因此在一个常规的工作环境中，有效的提取特定方向上的信号，如无线信号、声音信号等，在人工智能控制领域有着非常重要的意义。同时通过提取的各个方向的信号，进而对不同方向上信号的分析，可实现对目标信号的定向功能。
当前主要的空间方向确定需要前端信号采集时采用特定设备进行采集，如无线信号的定向采集使用定向天线，声音信号的定向采集使用定向拾音器等等。也可以采用天线阵列或者拾音器阵列来进行方向识别，但对于特定方向信号提取，其实现的复杂度异常高，因此目前现有技术中对特定方向信号的提取精度较低。
发明内容
本发明主要解决的技术问题是目前现有技术中对特定方向信号的提取精度较低。
一种改进型自编码器定向信号提取方法,其包括：
采用信号采集阵列采集空间中的多维空间信号以得到采集信号；
将所述采集信号输入到通过已知确定的历史数据训练完成的定向信号放大模型中，对目标方向上的信号进行提取并放大，以得到目标放大信号。
在一种实施例中，所述定向信号放大模型通过以下方法训练得到；
采用多个信号采集器组成的信号采集阵列采集多维空间信号作为训练的输入信号；
对所述输入信号中任意一个方向上的子信号，判断其信号方向是否为指定的目标方向，若是则采用预设的方法对其进行放大，否则采用预设的方法对其进行缩小，以此得到对应的输出信号；
采用所述输入信号和输出信号训练初始化模型，得到所述定向信号放大模型参数。
在一种实施例中，所述对所述输入信号中任意一个方向上的子信号，判断其信号方向是否为指定的目标方向，若是则采用预设的方法对其进行放大，否则采用预设的方法对其进行缩小，以此得到对应的输出信号包括：
对于输入信号中任意一个方向上的子信号X，通过下列公式得到其输出数据Xout；
Figure BDA0003029595930000021
其中，Yi表示某一个指定的目标方向i上采集的数据组；
其中，N1表示对指定的目标方向信号的放大倍数值，N2表示对非指定方向信号的缩小倍数值，该值由技术人员根据不同的需求设定，N1＞1,N2＞1；
其中，Yi＝{X1,X2,...XZ}，XZ表示目标方向i上第Z次采集的数据。
在一种实施例中，所述信号采集阵列中的信号采集器至少包括：具有方向性的拾音器、具有极化方向的天线。
在一种实施例中所述训练初始化模型为改进型自编码器模型。
一种改进型自编码器定向信号提取系统,包括：
采样模块，用于采用信号采集阵列采集空间中的多维空间信号以得到采集信号；
提取放大模块，用于将所述采集信号输入到通过已知确定的历史数据训练完成的定向信号放大模型中，对目标方向上的信号进行提取并放大，以得到目标放大信号。
在一种实施例中，所述定向信号放大模型通过以下方法训练得到；
采用多个信号采集器组成的信号采集阵列采集多维空间信号作为训练的输入信号；
对所述输入信号中任意一个方向上的子信号，判断其信号方向是否为指定的目标方向，若是则采用预设的方法对其进行放大，否则采用预设的方法对其进行缩小，以此得到对应的输出信号；
采用所述输入信号和输出信号训练初始化模型，得到所述定向信号放大模型参数。
在一种实施例中，所述对所述输入信号中任意一个方向上的子信号，判断其信号方向是否为指定的目标方向，若是则采用预设的方法对其进行放大，否则采用预设的方法对其进行缩小，以此得到对应的输出信号包括：
对于输入信号中任意一个方向上的子信号X，通过下列公式得到其输出数据Xout；
Figure BDA0003029595930000031
其中，Yi表示某一个指定的目标方向i上采集的数据组；
其中，N1表示对指定的目标方向信号的放大倍数值，N2表示对非指定方向信号的缩小倍数值，该值由技术人员根据不同的需求来设定，N1＞1,N2＞1；
其中，Yi＝{X1,X2,...XZ}，XZ表示目标方向i上第Z次采集的数据。
一种改进型自编码器定向信号提取装置，包括：
存储器，用于存储程序；
处理器，用于通过执行所述存储器存储的程序以实现如上所述的方法。
一种计算机可读存储介质，其包括程序，所述程序能够被处理器执行以实现如上所述的方法。
依据上述实施例的一种改进型自编码器定向信号提取方法,其包括：采用信号采集阵列采集空间中的多维空间信号以得到采集信号；将采集信号输入到预先训练好的定向信号放大模型中，对目标方向上的信号进行提取并放大，以得到目标放大信号。本实施例采用训练好的信号放大模型对目标方向上的信号进行并放大，提高了特定方向信号提取的精度。
附图说明
图1为本申请实施例的定向信号提取方法流程图；
图2为本申请实施例的定向信号放大模型训练方法流程图；
图3为本申请实施例的信号采集阵列结构示意图；
图4为经典型自编码器网络结构示意图；
图5为本实施例改进型自编码器网络结构示意图；
图6为目标方向信号提取过程示意图；
图7为本申请实施例的定向信号提取系统结构框图；
图8为本申请实施例的定向信号提取装置结构框图。
具体实施方式
下面通过具体实施方式结合附图对本发明作进一步详细说明。其中不同实施方式中类似元件采用了相关联的类似的元件标号。在以下的实施方式中，很多细节描述是为了使得本申请能被更好的理解。然而，本领域技术人员可以毫不费力的认识到，其中部分特征在不同情况下是可以省略的，或者可以由其他元件、材料、方法所替代。在某些情况下，本申请相关的一些操作并没有在说明书中显示或者描述，这是为了避免本申请的核心部分被过多的描述所淹没，而对于本领域技术人员而言，详细描述这些相关操作并不是必要的，他们根据说明书中的描述以及本领域的一般技术知识即可完整了解相关操作。
另外，说明书中所描述的特点、操作或者特征可以以任意适当的方式结合形成各种实施方式。同时，方法描述中的各步骤或者动作也可以按照本领域技术人员所能显而易见的方式进行顺序调换或调整。因此，说明书和附图中的各种顺序只是为了清楚描述某一个实施例，并不意味着是必须的顺序，除非另有说明其中某个顺序是必须遵循的。
在本发明实施例中，基于具有粗定向的采集器，形成信号采集阵列。通过信号采集阵列对不同方向的信息进行采集，对采集信号进行处理后，以不同方向采集的多组数据作为训练数据，对改进型自编码器进行模型参数的训练，确定改进型的自编码器的模型参数，通过训练完成的改进型自编码器，实现对目标方向上的信号进行放大，其他方向的信号进行抑制，进而利用训练出的多个模型形成模型组，最终实现对空间信号的不同方向的信号采集与分类。
实施例一：
请参考图1，本实施例提供一种改进型自编码器定向信号提取方法,其包括：
步骤101：采用信号采集阵列采集空间中的多维空间信号以得到采集信号。
其中，信号采集阵列包括多个具有一定粗方向的信号采集器，例如采集声音信号，采用具有方向性的拾音器，采集无线信号时，采用具有极化方向的天线等,本实施例中采集的信号值界定为标量，采集的信号可以记作X。
步骤102：将采集信号输入到通过已知确定的历史数据训练完成的定向信号放大模型中，对目标方向上的信号进行提取并放大，以得到目标放大信号。本实施例的定向信号放大模型通过训练不仅可以对目标方向上的信号(即某个定向方向上的信号)进行提取，还可以对该信号进行放大处理，使得目标方向上的信号远大于非目标方向上的信号，使得信号提取更加精确。
其中，如图2，本实施例的定向信号放大模型通过以下方法训练得到；
步骤201：采用多个信号采集器组成的信号采集阵列采集多维空间信号作为训练的输入信号。
例如，本实施例中采用m个信号采集器组成信号采集阵列，如图3，三角形最短边对应的方向仅表示采集器在该方向上产生的相对信号增益较大，并不表示只采集该方向上的信号，信号采集阵列中的信号采集器的位置的放置可以按照一定规律进行放置，也可以任意放置，无需提前对信号采集器的位置进行设置，该信号采集阵列采集的信号为X＝(x1,x2,...,xm)。
放置好信号采集阵列后，分别在距离信号采集阵列一定距离的地方发射无线信号，或者声音信号，采集不同方向上的多组数据，形成训练数据组。对于同一方向上的多次采集的数据表示为Yi＝{X1,X2,...XZ}，i＝1,2,...n表示指定方向，Yi表示某一个指定的目标方向i上采集的数据组，XZ表示目标方向i上第Z次采集的数据。
步骤202：对输入信号中任意一个方向上的子信号，判断其信号方向是否指定的目标方向，若是则采用预设的方法对其进行放大，否则采用预设的方法对其进行缩小，以此得到对应的输出信号。需要说明的是，目标方向可能包括多个方向，并不仅仅指的是一个方向，例如包括三个目标方向，最后训练好的是则是三个模型，三个模型组成一个模型组，可以同时对多个目标方向信号进行提取和放大。
放置好信号采集阵列后，分别在距离信号采集阵列一定距离的地方发射无线信号，或者声音信号，采集不同方向上的多组数据，形成训练数据组。对于同一方向上的多次采集的数据表示为Yi＝{X1,X2,...XZ}，i＝1,2,...n表示指定方向，Yi表示某一个指定的目标方向i上采集的数据组，XZ表示目标方向i上第Z次采集的数据。
对于输入信号中任意一个方向上的子信号X，通过下列公式得到其输出数据Xout；
Figure BDA0003029595930000061
其中，N1表示对指定的目标方向信号的放大倍数值，N2表示对非指定方向信号的缩小倍数值，该值由人工设定，如期望对指定方向信号值放大10倍，则设置N1＝10，期望对非指定方向信号值缩小5倍，则设置N2＝5，N1＞1,N2＞1；
通过上述公式，对目标方向上的输出信号可以进行放大，而对于非目标方向上的信号则进行缩小或抑制，通过对N1,N2的值设置，满足对不同环境的适应性。
步骤203：采用输入信号和输出信号训练初始化模型，得到定向信号放大模型。此处模型主要是针对常用的深度学习中连接型模型，如神经网络(NN：Neural Networks)、支持矢量机(Support Vector Machine,SVM)等作为编码器的单层连接层，结合非线性激活函数(activation function)
如线性整流函数(Rectified Linear Unit,ReLU)形成多层深度自编码器模型。
如图4，该图为经典型自编码器模型示意图，经典自编码器模型包括输入层、隐含层和输出层，隐含层可以为单层或者多层，其没有对指定信号进行放大的功能。本实施例的初始化模型对经典型自编码器进行结构上的改进，形成改进型自编码器作为训练模型，突破了经典型自编码器的一些限制，增加了灵活性。改进型自编码器如图5，训练模型的输入输出维度相同，中间维度可以大于输入维度，也可以小于输入维度，可以设计多个中间层，图4中的经典自编码器的特征在于输入输出为同一值，且编码、解码连接部分的节点个数小于输入输出节点个数。经典型自编码器实施时，只使用编码部分实现对输入信号的分类。本发明中改进型自编码主要改进的地方在于输入、输出的值根据需要训练的方向需求，进行放大和缩小，且中间隐含层节点个数不受小于输入输出节点数的限制。改进型自编码器是本发明的重要指标，通过训练完成的改进型的自编码器，实现了对指定方向上的信号的放大，并抑制了非指定方向的信号，达到同频信号在空间上滤波分离的效果。
采用上述训练方法分别训练出不同方向上的模型参数，形成一个模组组，例如M＝(M1,M2,...,Mi,...)，其中模型Mi为指定i方向上的模型。在实际过程中，对模型输入采集的信号X，利用模型组M可以实现对不同方向的信号提取。
如图6，其为表示的是通过训练好的单方向模型组成模型组之后，输入采集阵列采集的同频全空间信号数据进行模型分离，通过不同的模型实现对单一方向上数据的提取，并进行分离的过程。
本申请的方法可以提高特定方向上信号采集的精度，例如在大型会场，尤其是大家相互之间同时说话时，各种声音交杂在一起，由于声音都属于同频信号，获取到特定方向上语音信息就变得十分复杂和困难，通过本发明的技术方案，通过预先训练好的模型预置在采集设备中，并放置在会场，可以有效区分空间上不同方向的声音，提取特定方向上的声音，实现对不同方向同时说话声音的分离与提取，并对特定方向上的声音进行放大，提高指定方向的话音质量。
无线信号在环境中异常复杂，通过传统的分频滤波的方式可以有效解决不同频率的无线信号的分离，对于同频无线信号，由于在空间中存在直射、绕射、反射等多种现象，造成对不同方向上的无线信号仅仅通过单一方向强度的确定就变得异常复杂。本发明中利用多方向综合信息来判决信号的方向，就可以有效抑制由于直射、绕射、反射等因素造成的无线信号的干扰问题，有效分离不同空间发出的同频无线信号。
实施例二：
请参考图7，本实施例提供一种改进型自编码器定向信号提取系统,其包括：采样模块701和提取放大模块702。其中，采样模块701用于采用信号采集阵列采集空间中的多维空间信号以得到采集信号；提取放大模块702用于将采集信号输入到预先训练好的定向信号放大模型中，对目标方向上的信号进行提取并放大，以得到目标放大信号。
其中，信号放大模型的训练方法以及信号提取和放大的方法和实施例一中相同，此处不再赘述。
实施例三：
本实施例提供一种改进型自编码器定向信号提取装置，如图8，其包括：存储器801和处理器802。
其中，存储器801用于存储程序；处理器802用于通过执行存储器存储的程序以实现如实施例一提供的定向信号提取方法。
实施例四：
本实施例提供一种计算机可读存储介质，其包括程序，所述程序能够被处理器执行以实现如实施例一提供的定向信号提取方法。
本领域技术人员可以理解，上述实施方式中各种方法的全部或部分功能可以通过硬件的方式实现，也可以通过计算机程序的方式实现。当上述实施方式中全部或部分功能通过计算机程序的方式实现时，该程序可以存储于一计算机可读存储介质中，存储介质可以包括：只读存储器、随机存储器、磁盘、光盘、硬盘等，通过计算机执行该程序以实现上述功能。例如，将程序存储在设备的存储器中，当通过处理器执行存储器中程序，即可实现上述全部或部分功能。另外，当上述实施方式中全部或部分功能通过计算机程序的方式实现时，该程序也可以存储在服务器、另一计算机、磁盘、光盘、闪存盘或移动硬盘等存储介质中，通过下载或复制保存到本地设备的存储器中，或对本地设备的系统进行版本更新，当通过处理器执行存储器中的程序时，即可实现上述实施方式中全部或部分功能。
以上应用了具体个例对本发明进行阐述，只是用于帮助理解本发明，并不用以限制本发明。对于本发明所属技术领域的技术人员，依据本发明的思想，还可以做出若干简单推演、变形或替换。

Claims (10)

1.一种改进型自编码器定向信号提取方法,其特征在于，包括：
采用信号采集阵列采集空间中的多维空间信号以得到采集信号；
将所述采集信号输入到通过已知确定的历史数据训练完成的定向信号放大模型中，对目标方向上的信号进行提取并放大，以得到目标放大信号。
2.如权利要求1所述的改进型自编码器定向信号提取方法,其特征在于，所述定向信号放大模型通过以下方法训练得到；
采用多个信号采集器组成的信号采集阵列采集多维空间信号作为训练的输入信号；
对所述输入信号中任意一个方向上的子信号，判断其信号方向是否为指定的目标方向，若是则采用预设的方法对其进行放大，否则采用预设的方法对其进行缩小，以此得到对应的输出信号；
采用所述输入信号和输出信号训练初始化模型，得到所述定向信号放大模型参数。
3.如权利要求2所述的改进型自编码器定向信号提取方法,其特征在于，所述对所述输入信号中任意一个方向上的子信号，判断其信号方向是否为指定的目标方向，若是则采用预设的方法对其进行放大，否则采用预设的方法对其进行缩小，以此得到对应的输出信号包括：
对于输入信号中任意一个方向上的子信号X，通过下列公式得到其输出数据Xout；
Figure FDA0003029595920000011
其中，Yi表示某一个指定的目标方向i上采集的数据组；
其中，N1表示对指定的目标方向信号的放大倍数值，N2表示对非指定方向信号的缩小倍数值，N1＞1,N2＞1；
其中，Yi＝{X1,X2,...XZ}，XZ表示目标方向i上第Z次采集的数据。
4.如权利要求2所述的改进型自编码器定向信号提取方法,其特征在于，所述信号采集阵列中的信号采集器至少包括：具有方向性的拾音器、具有极化方向的天线。
5.如权利要求2所述的改进型自编码器定向信号提取方法,其特征在于，所述训练初始化模型为改进型自编码器模型。
6.一种改进型自编码器定向信号提取系统,其特征在于，包括：
采样模块，用于采用信号采集阵列采集空间中的多维空间信号以得到采集信号；
提取放大模块，用于将所述采集信号输入到通过已知确定的历史数据训练完成的定向信号放大模型中，对目标方向上的信号进行提取并放大，以得到目标放大信号。
7.如权利要求6所述的改进型自编码器定向信号提取系统,其特征在于，所述定向信号放大模型通过以下方法训练得到；
采用多个信号采集器组成的信号采集阵列采集多维空间信号作为训练的输入信号；
对所述输入信号中任意一个方向上的子信号，判断其信号方向是否为指定的目标方向，若是则采用预设的方法对其进行放大，否则采用预设的方法对其进行缩小，以此得到对应的输出信号；
采用所述输入信号和输出信号训练初始化模型，得到所述定向信号放大模型参数。
8.如权利要求7所述的改进型自编码器定向信号提取系统,其特征在于，所述对所述输入信号中任意一个方向上的子信号，判断其信号方向是否为指定的目标方向，若是则采用预设的方法对其进行放大，否则采用预设的方法对其进行缩小，以此得到对应的输出信号包括：
对于输入信号中任意一个方向上的子信号X，通过下列公式得到其输出数据Xout；
Figure FDA0003029595920000021
其中，Yi表示某一个指定的目标方向i上采集的数据组；
其中，N1表示对指定的目标方向信号的放大倍数值，N2表示对非指定方向信号的缩小倍数值，N1＞1,N2＞1；
其中，Yi＝{X1,X2,...XZ}，XZ表示目标方向i上第Z次采集的数据。
9.一种改进型自编码器定向信号提取装置，其特征在于，包括：
存储器，用于存储程序；
处理器，用于通过执行所述存储器存储的程序以实现如权利要求1-5中任一项所述的方法。
10.一种计算机可读存储介质，其特征在于，包括程序，所述程序能够被处理器执行以实现如权利要求1-5中任一项所述的方法。
CN202110426047.4A 2021-04-20 2021-04-20 定向信号提取方法、系统、装置及存储介质 Pending CN113095258A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110426047.4A CN113095258A (zh) 2021-04-20 2021-04-20 定向信号提取方法、系统、装置及存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110426047.4A CN113095258A (zh) 2021-04-20 2021-04-20 定向信号提取方法、系统、装置及存储介质

Publications (1)

Publication Number Publication Date
CN113095258A true CN113095258A (zh) 2021-07-09

Family

ID=76679314

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110426047.4A Pending CN113095258A (zh) 2021-04-20 2021-04-20 定向信号提取方法、系统、装置及存储介质

Country Status (1)

Country Link
CN (1) CN113095258A (zh)

Citations (14)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR101720514B1 (ko) * 2016-02-26 2017-04-11 서강대학교산학협력단 Dcica를 이용한 dnn 기반 특징향상을 수행하는 음성인식장치 및 방법
US9640197B1 (en) * 2016-03-22 2017-05-02 International Business Machines Corporation Extraction of target speeches
US9734845B1 (en) * 2015-06-26 2017-08-15 Amazon Technologies, Inc. Mitigating effects of electronic audio sources in expression detection
CN108985454A (zh) * 2018-06-28 2018-12-11 西南电子技术研究所（中国电子科技集团公司第十研究所） 民航客机个体目标识别方法
CN109599124A (zh) * 2018-11-23 2019-04-09 腾讯科技（深圳）有限公司 一种音频数据处理方法、装置及存储介质
CN110225445A (zh) * 2019-05-22 2019-09-10 上海德衡数据科技有限公司 一种处理声音信号实现三维声场听觉效果的方法及装置
CN110364166A (zh) * 2018-06-28 2019-10-22 腾讯科技（深圳）有限公司 实现语音信号识别的电子设备
CN110555413A (zh) * 2019-09-05 2019-12-10 第四范式（北京）技术有限公司 时序信号的处理方法及装置、设备及可读介质
CN111564160A (zh) * 2020-04-21 2020-08-21 重庆邮电大学 一种基于aewgan的语音降噪的方法
CN111859241A (zh) * 2020-06-01 2020-10-30 北京大学 一种基于声传递函数学习的非监督声源定向方法
CN111914244A (zh) * 2020-07-31 2020-11-10 深圳力维智联技术有限公司 数据处理方法、装置及计算机可读存储介质
CN112289341A (zh) * 2020-11-03 2021-01-29 国网智能科技股份有限公司 变电站设备声音异常识别方法及系统
CN112557510A (zh) * 2020-12-11 2021-03-26 广西交科集团有限公司 混凝土路面脱空智能检测装置及其检测方法
CN112668605A (zh) * 2020-12-01 2021-04-16 深圳力维智联技术有限公司 基于生物和物理特征单点融合信息采集方法和装置

Patent Citations (14)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US9734845B1 (en) * 2015-06-26 2017-08-15 Amazon Technologies, Inc. Mitigating effects of electronic audio sources in expression detection
KR101720514B1 (ko) * 2016-02-26 2017-04-11 서강대학교산학협력단 Dcica를 이용한 dnn 기반 특징향상을 수행하는 음성인식장치 및 방법
US9640197B1 (en) * 2016-03-22 2017-05-02 International Business Machines Corporation Extraction of target speeches
CN110364166A (zh) * 2018-06-28 2019-10-22 腾讯科技（深圳）有限公司 实现语音信号识别的电子设备
CN108985454A (zh) * 2018-06-28 2018-12-11 西南电子技术研究所（中国电子科技集团公司第十研究所） 民航客机个体目标识别方法
CN109599124A (zh) * 2018-11-23 2019-04-09 腾讯科技（深圳）有限公司 一种音频数据处理方法、装置及存储介质
CN110225445A (zh) * 2019-05-22 2019-09-10 上海德衡数据科技有限公司 一种处理声音信号实现三维声场听觉效果的方法及装置
CN110555413A (zh) * 2019-09-05 2019-12-10 第四范式（北京）技术有限公司 时序信号的处理方法及装置、设备及可读介质
CN111564160A (zh) * 2020-04-21 2020-08-21 重庆邮电大学 一种基于aewgan的语音降噪的方法
CN111859241A (zh) * 2020-06-01 2020-10-30 北京大学 一种基于声传递函数学习的非监督声源定向方法
CN111914244A (zh) * 2020-07-31 2020-11-10 深圳力维智联技术有限公司 数据处理方法、装置及计算机可读存储介质
CN112289341A (zh) * 2020-11-03 2021-01-29 国网智能科技股份有限公司 变电站设备声音异常识别方法及系统
CN112668605A (zh) * 2020-12-01 2021-04-16 深圳力维智联技术有限公司 基于生物和物理特征单点融合信息采集方法和装置
CN112557510A (zh) * 2020-12-11 2021-03-26 广西交科集团有限公司 混凝土路面脱空智能检测装置及其检测方法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
侯一民;周慧琼;王政一;: "深度学习在语音识别中的研究进展综述", 计算机应用研究, no. 08, 31 December 2017 (2017-12-31) *

Similar Documents

Publication Publication Date Title
CN109212597B (zh) 基于深度信念网络和扫描叠加的微震源自动定位方法
CN104246796B (zh) 使用多模匹配方案的对象辨识
KR101238362B1 (ko) 음원 거리에 따라 음원 신호를 여과하는 방법 및 장치
WO2022012206A1 (zh) 音频信号处理方法、装置、设备及存储介质
CN110018438B (zh) 一种波达方向估计方法和装置
AU2014331210A1 (en) Method for locating a sound source, and humanoid robot using such a method
US11120819B2 (en) Voice extraction device, voice extraction method, and non-transitory computer readable storage medium
Mariotti et al. Exploring deep vision models for acoustic scene classification.
Masnadi-Shirazi et al. An ICA-SCT-PHD filter approach for tracking and separation of unknown time-varying number of sources
CN110610718A (zh) 一种提取期望声源语音信号的方法及装置
US10153002B2 (en) Selection of an audio stream of a video for enhancement using images of the video
CN113095258A (zh) 定向信号提取方法、系统、装置及存储介质
CN117169812A (zh) 一种基于深度学习和波束形成的声源定位方法
JP7254938B2 (ja) 音響源用の結合音源定位及び分離方法
CN110706709B (zh) 一种结合视频信号的多通道卷积混叠语音信道估计方法
CN111352075B (zh) 一种基于深度学习的水下多声源定位方法及系统
CN112180318A (zh) 声源波达方向估计模型训练和声源波达方向估计方法
CN115598594B (zh) 无人机声源定位方法、装置、无人机及可读存储介质
JP6114053B2 (ja) 音源分離装置、音源分離方法、およびプログラム
CN112530453B (zh) 一种适用于噪声环境下的语音识别方法及装置
JP5705190B2 (ja) 音響信号強調装置、音響信号強調方法、およびプログラム
JP6285855B2 (ja) フィルタ係数算出装置、音声再生装置、フィルタ係数算出方法及びプログラム
CN108692718A (zh) 基于盲波束的稳健导航抗干扰方法及其系统
DE112020002711T5 (de) Informationsverarbeitungsvorrichtung, informationsverarbeitungsverfahren und programm
Banerjee et al. A novel sound source localization method using a global-best guided cuckoo search algorithm for drone-based search and rescue operations

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