Aug, 2022

利用周期稳态信号的时间结构进行基于数据驱动的单通道源分离

PDF
TL;DR本文研究单通道源信号分离问题，着重于周期稳态信号，提出一种基于 U-Net 架构的深度学习方法，该方法可以接近最优性能，且具有较小的计算负担。
single-channel source separationcyclostationary signalsdata-driven approachmean squared erroru-net architecture
发现论文，激发创造
  • 深度神经网络用于单通道信号分离

    本文提出了一种使用深度神经网络架构的单通道源分离方法，通过在分离过程中确定 DNN 来分类估计的源谱图以检查其有效性，并将混合信号频谱鼓励写成估计的源谱图的加权和，实现了单通道源分离问题的能量最小化。

    Nov, 2013

  • 音源分离基于潜在变分分块解缠

    混合经典数字信号处理 / 深度神经网络的方法用于源分离任务，通过设计合理的潜在空间，将单通道欠定的源分离问题转化为等效的多通道过定的问题，并使用变分块间分离表征混合信号，通过经典信号处理理论结果的启发，提出可靠性更强、过拟合风险降低的模型。

    Feb, 2024

  • 使用生成对抗网络进行单通道信号分离和反卷积

    本论文提出了一种基于对抗生成网络和优化算法的合成 - 分解方法，可用于单通道信号分离和反卷积，能够识别混合信号中的各个源，实现了峰值信噪比的提高。

    Jun, 2019

  • 上下文监督源分离及其在能源分解中的应用

    提出了一种新的单通道源分离框架，采用凸优化方法以无监督的方式来估计不同信号之间的互相关性，应用于智能电表数据的能源分离，达到了比无监督方法更优的分离效果。

    Dec, 2013

  • 多通道盲源分离的深度聚类模型无监督训练

    提出了一种通过无监督的空间聚类算法训练深度聚类系统，从而在没有并行清洁数据时从头训练基于神经网络的源分离算法的方案。

    Apr, 2019

  • 深度生成先验模型用于源分离

    本文提出了一种贝叶斯源分离方法，使用生成模型作为混合信号源分离组件的先验，噪声淬火 Langevin 动力学从后验生成分离的信号源，该方法在 MNIST 分离质量和 CIFAR-10 分离质量上实现了最先进的性能，并在 LSUN 上提供了定性结果。

    Feb, 2020

  • 基于评分的信号源分离及其在数字通信中的应用

    提出了一种基于扩散生成模型的分离叠加源的新方法，通过最大后验估计和多重水平的高斯平滑指导下的 α 后验来建立新的目标函数，应用于射频系统，旨在恢复编码比特，实验结果表明，相比于经典和现有学习方法，我们的方法可以将误码率降低 95％。

    Jun, 2023

  • 利用空间选择性深度非线性滤波器的多通道语音分离

    本文中我们提出了基于深度神经网络和循环神经网络的空间选择性滤波器 (SSF)，在多扬声器多声道分离任务中，可以从混合信号中提取出特定说话者的声音信息，并与直接分离方法进行了比较。结果表明，SSF 具有更好的空间信息利用和泛化能力。

    Apr, 2023

  • 通过空间特征学习增强端到端多通道语音分离

    本研究提出了一种基于 2d 卷积层的端到端架构，通过训练时域滤波器来学习从多通道语音波形中提取空间特征，使用互通卷积差分技术 (ICD) 提高多通道语音分离模型的分离性能。

    Mar, 2020

  • 火星时间序列揭示：多尺度嵌套方法与因子变分自编码器

    该论文提出了一种利用小波散射协方差的无监督多尺度聚类和源分离框架，通过将信号转化为低维空间中的散射协方差表示，并使用高斯混合自编码器对不同尺度的信号进行概率聚类，以实现源的分离。该方法在火星 NASA InSight 任务记录的地震数据中进行了验证。

    May, 2023