2023年全國碩士研究生考試考研英語一試題真題(含答案詳解+作文范文)_第1頁
已閱讀1頁,還剩68頁未讀, 繼續(xù)免費閱讀

下載本文檔

版權說明:本文檔由用戶提供并上傳,收益歸屬內容提供方,若內容存在侵權,請進行舉報或認領

文檔簡介

1、近年來,由于數(shù)字音樂的快速發(fā)展,歌手識別、歌詞對齊等技術需求不斷增加。人聲分離作為這些技術的一個重要組成部分,受到越來越多的關注。精確的人聲分離能夠有效地提高歌手識別、音頻檢索等技術的準確度和實時性。人聲技術對于音頻信號處理領域有著重要的研究價值。
  本文主要在矩陣分解的人聲分離理論框架下,對基于非負矩陣分解、魯棒主成分分解和低秩分解等人聲分離技術進行了詳細的研究。在此基礎上,重點研究了魯棒主成分分解技術,針對其不足提出了一種兩

2、步矩陣分解的人聲分離算法。最后,為了對人聲和伴奏部分進行更好的表達,本文使用一種深度神經(jīng)網(wǎng)絡的人聲分離算法,可以有效提高人聲分離的準確性。本文的主要研究工作及創(chuàng)新點如下:
  1.基于矩陣分解人聲算法的研究
  1)首先研究了基于矩陣分解的人聲分離算法,總結了矩陣分解算法的基本框架,對典型的矩陣分解算法,如非負矩陣分解算法、魯棒主成分分析和低秩分解等算法進行了研究并仿真實驗。結果表明,基于魯棒主成分分析的人聲分離算法對伴奏分

3、離較徹底,且有很強的魯棒性,綜合表現(xiàn)效果最佳。
  2)針對魯棒主成分分析的人聲分離中的人聲分離不徹底的問題,本文研究了一種基于兩步的矩陣分解的音樂分離算法,首先使用魯棒主成分分析的人聲分離算法對音樂進行初步分離,然后引入諧波源分離算法針對分離出的不徹底人聲進行二次分離,最后將兩次分離的結果重新組合,即得到最終分離出的伴奏部分和人聲部分。實驗結果表明,基于兩步的矩陣分解的音樂分離算法在保證原有算法魯棒性的前提下,有效提高了分離的性

4、能。
  2.基于深度學習的人聲分離算法的研究
  針對矩陣分解算法對伴奏部分表達欠佳的問題,本文在深度學習理論基礎上研究了一種基于深度神經(jīng)網(wǎng)絡的人聲分離算法。由于深度神經(jīng)網(wǎng)絡能夠使用逐層學習和非線性激活函數(shù),所以能夠對人聲和伴奏進行更好的表達。同時,為了使得深度神經(jīng)網(wǎng)絡更好地利用音樂上下文信息,本文研究了一種基于深度循環(huán)神經(jīng)網(wǎng)絡的人聲分離算法。實驗結果表明,基于深度循環(huán)神經(jīng)網(wǎng)絡的人聲分離算法能夠較徹底分離出人聲與伴奏,且穩(wěn)

溫馨提示

  • 1. 本站所有資源如無特殊說明,都需要本地電腦安裝OFFICE2007和PDF閱讀器。圖紙軟件為CAD,CAXA,PROE,UG,SolidWorks等.壓縮文件請下載最新的WinRAR軟件解壓。
  • 2. 本站的文檔不包含任何第三方提供的附件圖紙等,如果需要附件,請聯(lián)系上傳者。文件的所有權益歸上傳用戶所有。
  • 3. 本站RAR壓縮包中若帶圖紙,網(wǎng)頁內容里面會有圖紙預覽,若沒有圖紙預覽就沒有圖紙。
  • 4. 未經(jīng)權益所有人同意不得將文件中的內容挪作商業(yè)或盈利用途。
  • 5. 眾賞文庫僅提供信息存儲空間,僅對用戶上傳內容的表現(xiàn)方式做保護處理,對用戶上傳分享的文檔內容本身不做任何修改或編輯,并不能對任何下載內容負責。
  • 6. 下載文件中如有侵權或不適當內容,請與我們聯(lián)系,我們立即糾正。
  • 7. 本站不保證下載資源的準確性、安全性和完整性, 同時也不承擔用戶因使用這些下載資源對自己和他人造成任何形式的傷害或損失。

評論

0/150

提交評論