Acoustic System Identification with Partially Time-Varying Models Based on Tensor Decompositions
Notice bibliographique
Résumé
Acoustic system identification, which aims at estimating the channel impulse response from a source of interest to the microphone position, plays an important role in many applications, e.g., echo cancellation for full-duplex speech communication. Generally, an acoustic channel impulse response is modeled as a linear finite-impulse-response (FIR) filter, so the objective of system identification is to identify it. While much effort has been devoted to this topic over the last five decades, identifying the room FIR filters accurately with only a small number of observation data snapshots remains a significant challenge. This paper studies this problem and proposes to model the acoustic impulse response, i.e., the FIR filter, with a tensor decomposition, which can be expressed as a multidimensional Kronecker product of a series of shorter filters. Then, a partially time-varying model is applied to acoustic system identification, where the global filter is decomposed into two parts: a time-invariant part, which captures the common properties of acoustic channels, and a time-varying part, which, as its name indicates, represents the components of acoustic channels that change with time. During the identification process, the time-invariant filters can be identified or learned in advance, while the time-varying filters are optimized through an iterative procedure. Simulation results demonstrate that the proposed technique can achieve better acoustic system identification performance with a small number of data snapshots.
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 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 | 0,001 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 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 découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, 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 ».