基于多窗谱估计与NLMS自适应滤波算法的单通道语音增强

多数传统语音增强算法是基于平稳噪声下分析的,且没有从语音质量及可懂度角度全面衡量增强性能。因此,提出了基于多窗谱估计与归一化最小均方（Normalized Least Mean Square,NLMS)自适应滤波算法的单通道语音增强方案。首先利用多窗谱估计谱减法（Multiwindow Spectral Subtraction,MSS）解决谱减法产生的“音乐噪声”问题;其次将估计出的期望信号与纯净参考信号的差值作为误差信号,由自适应滤波的NLMS算法代替传统的最小均方（Least Mean Square,LMS）算法,以降低滤波器成本及运算时间,求取滤波器权系数值,并不断迭代更新修正滤波器;最后分析了所提算法在不同噪声环境下的增强性能,并与传统的各种谱减算法对比,从语音质量及可懂度出发衡量语音增强效果。结果表明,所提算法的增强效果优于各类谱减法。     

基于改进注意力机制的LSTM 水位预测模型研究

为了进一步提高水位预测的准确性,本文提出一种融入改进注意力机制的长短期记忆网络（Long Short Time Memory,LSTM）预测模型。该模型将输入序列拆分为时间序列和特征序列,在LSTM网络模型前引入注意力机制对两个序列分别进行注意力计算,然后再进行融合,LSTM网络能够根据重要程度自适应地选择最重要的输入特征,注意力机制层的参数通过竞争随机搜索算法获取,从而进一步增强了模型的鲁棒性。最后在鄱阳湖的水位数据上进行预测实验,结果表明：相对于支持向量回归（SVR）、LSTM等模型,本文提出基于改进注意力机制的LSTM模型具有更好的预测精度,可为水位预测和水资源的精准调度提供技术支持。