The Theory of Compressive Sensing Matching Pursuit Considering Time-domain Noise with Application to Speech Enhancement
Notice bibliographique
Résumé
Compressive sampling matching pursuit (CoSaMP) is an efficient compressive sensing algorithm holding rigorous estimation error bounds and low computational complexity, when it deals with an additive noise signal model in the observation domain. However, in some applications, e.g., speech enhancement (SE), noise is added to a signal in the time domain, where the conventional CoSaMP cannot be directly applied. In this paper, we establish the theory of CoSaMP to address the time-domain noise, referred to as Tdn-CoSaMP, which extends the canonical theory of CoSaMP. In particular, we prove the existence of a new upper bound of Tdn-CoSaMP, which is found to be larger than that of the conventional CoSaMP by appending two additional terms: a multiplier$1+\sqrt{{N\over s}}$, where$N$is the dimension of the signal, and an${\ell_1}$norm of the noise${1\over\sqrt{s}}\Vert {\mbi{e}}\Vert_1$scaled by the sparse level$s$of the signal. We also apply Tdn-CoSaMP to the SE task based on the sequential denoising of overlapped frames in the discrete cosine transform (DCT) domain. The proposed system, CoSaMP-based speech enhancement (CoSaMPSE), has been evaluated in terms of both objective and subjective criteria on various types of noise. Positive results have been achieved for denoising stationary and nonstationary white Gaussian noise (WGN) and are comparable to other SE methods. Moreover, due to its low computational complexity, CoSaMPSE is possible to be combined with optimally modified log-spectrum amplitude estimation (OMLSA) and able to achieve complementary denoising effects in various noisy conditions.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,002 | 0,008 |
| Méta-épidémiologie (sens strict) | 0,002 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,002 | 0,002 |
| Études des sciences et des technologies | 0,001 | 0,003 |
| Communication savante | 0,002 | 0,003 |
| Science ouverte | 0,001 | 0,003 |
| Intégrité de la recherche | 0,002 | 0,004 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,002 | 0,001 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».