Speech enhancement using adaptive neuro-fuzzy filtering
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
This paper presents an adaptive neuro-fuzzy filtering scheme using the artificial neuro-fuzzy inference system (ANFIS) for noise reduction in speech. The measurable output noisy speech with 5 dB SNR level is taken as the contaminated version of the interference to compare with the output data of the filter. The white noise source is taken as the input. With separate sets of input and output vectors formed after subtractive cluster estimation, an initial first-order (Takagi-Sugeno-Kang) TSK fuzzy inference system (FIS) is generated. The number of rules and antecedent membership functions of the FIS is determined based on the estimated cluster centres and then uses linear least squares estimation to determine each rule's consequent equations. This function returns the initial FIS structure that contains a set of fuzzy rules to cover the feature space. Finally, the ANFIS hybrid-learning algorithm that combines the recursive least-squares estimation (RLSE) method and the back propagation gradient descent (BP/GD) is applied to determine the premise and the consequent parameters. After training, the ANFIS output (i.e. estimated interference) was determined. Then the estimated information signal is calculated as the difference between the measured signal and the estimated interference. It was noted that without extensive training, the ANFIS could do a fairly good job in adaptive denoising of a speech system with nonlinear characteristics.
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.
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,001 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
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 découle