搜索资源列表
LMSwithUncorrelatedCaussiandata
- 本文是关于LMS算法在非相关的高斯噪声下的收敛性！希望对大家有用-paper on the LMS algorithm in the non-Gaussian noise under the Convergence! We hope to useful
gm
- 改进的gmm（高斯混合模型）算法，是单一高斯几率密度函数的衍生
1-4
- 为均衡带限信号所引起失真的横向或格型自适应均衡器(其中横向FIR系统长M=11), 系统输入是取值为±1的随机序列 ，其均值为零；参考信号 ；信道具有脉冲响应： 式中w用来控制信道的幅度失真(w = 2～4，例如，取w = 2.9,3.1,3.3,3.5等),而且信道受到均值为零、方差为 (例如，取 ，相当于信噪比为30dB)的高斯白噪声 的干扰。试比较基于下列五种算法自适应均衡器在不同信道失真、不同噪声干扰下的收敛情况(对应于每一种情况，在同一坐标下画出其学习曲线)： 横向/格
AdaptiveEqualizar
- 基于LMS与RLS算法的自适应均衡程序，包括加性高斯信道、瑞利平坦信道、频率选择性衰落信道。
LMSyuyin
- 本文将现实中采集到的一段语音加上了高斯白噪声，利用了LMS算法，将噪声滤除，仿真效果良好-This article will be collected in reality a section of voice coupled with a Gaussian white noise, using the LMS algorithm, the noise filtering, simulation results
08gmm
- GMM很好的理论资料,对高斯模型的详细描述以及EM算法的介绍。对编程有一定的帮助。-This is for the initial researcher to study about the GMM Model.
GMM
- :高斯混合模型(GMM)是一种经典的说话人识别算法，本文在实现其算法的同时，主要模拟了不同噪声环境情况下高斯混合模型 (GMM)的杭嗓声性能，得到了一些有益结论。 -Gaussian mixture model (GMM) is a classic speaker recognition algorithms, this algorithm at the same time in fulfilling its main simulated environmental conditions
hmm
- hmm文件时运用HMM算法实现噪声环境下语音识别的。其中vad.m是端点检测程序；mfcc.m是计算MFCC参数的程序；pdf.m函数是计算给定观察向量对该高斯概率密度函数的输出概率；mixture.m是计算观察向量对于某个HMM状态的输出概率，也就是观察向量对该状态的若干高斯混合元的输出概率的线性组合；getparam.m函数是计算前向概率、后向概率、标定系数等参数；viterbi.m是实现Viterbi算法；baum.m是实现Baum-Welch算法；inithmm.m是初始化参数；trai
EM_init_kmeans
- 高斯混合模型参数初始化程序，在对高斯混合模型的建立之前采用KMEANS算法进行初始化-Gaussian mixture model parameter initialization procedure, in the Gaussian mixture model is initialized before the algorithm used KMEANS
GMM_EM
- 2类分类高斯混合模型 使用k-means的方法来初始化GMM， 基于EM算法计算出GMM模型参量。 测试GMM模型分别有2个，4个，8个混合成分-2-class classifier with Gaussian Mixture Models. Use the k-means method to initialize the GMM’s Then improve the GMM models iteratively based on the EM algo-rithm.
wave read
- 输入一wav格式声音信号 输出对声音信号进行抽取并插值后的频谱图(源程序为8倍重采样)，并可使用play函数进行播放试听，如play(nearest),play(ori) 有ori原始音质、ups插值音质、downs抽取音质三种及以下五种重采样音质 重采样试听种类有nearest,linear,spline,pchip,cubic，插值算法详见interp1函数 可用过取消注释“高斯白噪声”、“高频噪声”对声音信号加入噪声-Wav format input-output
Laplace
- 传统的短时谱估计语音增强算法通常假设语音谱分量相互独立，没有考虑语音谱分量间的相关性。针对这 一问题，该文提出一种新的基于多元Laplace分布模型的短时谱估计算法。首先，假设语音的离散余弦变换(DCT) 系数服从多元Laplace分布，以此利用谱分量间的相关性；在此基础上，利用多元随机矢量的高斯尺度混合模型表 示，推导得到语音DCT系数矢量的最小均方误差(MMSE)估计的解析表达式；并进一步推导了基于该分布模型的 语音存在概率，对最小均方误差估计子进行修正。实验结果表明，该算法
voice-box-GMM
- 语音处理GMM相关算法,1.计算概率密度并画出高斯混合模型，2.计算边际，条件混合高斯密度,3估计两个GMM模型的Kullback-Leibler divergence。-GMM relating to speech processing algorithms.1,to calculate probability densities from or plot a Gaussian mixture model.2,marginal and conditional Gaussian mixture
GMM-MFCC
- 基于GMM的MFCC算法的说话人识别，Maltab的高斯混合模型，12维。-MFCC speaker recognition algorithm based on GMM