MétaCan
Menu
Retour à la cohorte
Enregistrement W4220813689 · doi:10.18280/ts.390108

A Modified Ultraspherical Window and Its Application for Speech Enhancement

2022· article· en· W4220813689 sur OpenAlexvenueno aff
Noureddine Aloui, M. Boussif

Notice bibliographique

RevueTraitement du signal · 2022
Typearticle
Langueen
DomaineComputer Science
ThématiqueSpeech and Audio Processing
Établissements canadiensnon disponible
Organismes subventionnairesnon disponible
Mots-clésComputer scienceWindow functionChebyshev filterAlgorithmFilter (signal processing)Computer vision

Résumé

récupéré en direct d'OpenAlex

In this paper an improved ultraspherical window is developed for designing quadrature mirror filters banks (QMF) with the help of a real coded genetic algorithm (RCGA). In fact, the ultraspherical window is modified by adding a parameter (α) which to improve the spectral parameters. Then, RCGA is used to find optimal values of the adjustment parameters, the side-lobes ratio of ultraspherical window and the cut-off frequency of the low-pass prototype filter. This latter, is used to derive all the filters of QMF banks. When the developed QMF banks are exploited for speech enhancement algorithm based on wavelets techniques it gives good performances in terms of Perceptual Evaluation of Speech Quality (PESQ) and Signal to Noise Ratio (SNR). In addition to this, when compared to Dolph-Chebyshev, Kaiser and the original Ultraspherical windows the modified Ultraspherical window gives better performance referred to the obtained simulation results.

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 distillée sur la base complète

Imitation des enseignants

Ni 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.

score de la tête « metaresearch » (Codex)0,000
score de la tête « metaresearch » (Gemma)0,000
Version: codex-gemma-dda1882f352aStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Expérimental (laboratoire) · Signal consensuel: Expérimental (laboratoire)
GenreSignal candidat: Empirique · Signal consensuel: aucune
Score de désaccord entre enseignants0,788
Score d'incertitude au seuil0,436

Scores Codex et Gemma par catégorie

CatégorieCodexGemma
Métarecherche0,0000,000
Méta-épidémiologie (sens strict)0,0000,000
Méta-épidémiologie (sens large)0,0000,000
Bibliométrie0,0000,000
Études des sciences et des technologies0,0000,000
Communication savante0,0000,000
Science ouverte0,0000,000
Intégrité de la recherche0,0000,000
Charge utile insuffisante (le modèle a refusé de juger)0,0000,000

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.

Tête enseignante Opus0,018
Tête enseignante GPT0,244
Écart entre enseignants0,226 · la distance entre les deux têtes enseignantes sur ce seul travail
Statut de validationscore_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

Classification

machine, non validée

Prédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.

Les modèles n’ont appliqué aucune catégorie : rien dans la taxonomie ne correspondait à ce travail.
Devis d'étudeExpérimental (laboratoire)
Domainenon disponible
GenreEmpirique

Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».

En bref

Citations5
Publié2022
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueTraitement du signalMême sujetSpeech and Audio ProcessingTravaux en français237 207