搜索资源列表
Speech Enhancement Based On AUnvoiced-Voiced Model
- 摘要：基于语音状态模型的语音增强算法是当前语音信号处理的研究热点。把通常的LPC语音模型修正后，将得到两个语音模型：时变AR 模型、时变双AR模型。但是利用这些模型增强语音时，都没有考虑到语音的清音、浊音区别。为此本文引入了语音清浊音状态空间模型，这种模型在描述语音方面比时变AR模型、时变双AR模型要强，而且物理含义明显 同时在用含噪语音信号预测纯净语音信号时，引入遗忘因子和粒子滤波算法以降低计算复杂性，减小运算量。实验证明，增强后的语音信号信噪比有一定提高．且优于传统的LPC模型.
CostReference
- 一篇关于代价参考粒子滤波算法的论文，该算法的优点是不需要任何先验概率知识的假定和重采样过程，可实现并行处理。本文将代价参考粒子滤波与当前统计模型的优点相结合 ,提出一种新的当前统计模型自适应跟踪算法 ,用于非线性非高斯系统的机动目标跟踪。-A particle filter on the reference price of the paper, the advantages of the algorithm does not require any prior knowledge of the
CS
- 上传了几个基于“当前”统计模型的机动目标跟踪的程序，包括子程序和文献，还有粒子滤波的目标跟踪程序-From a few based on the " current" statistical model for maneuvering target tracking procedures, including routine and literature, as well as particle filter target tracking process
MeanShift-algorithm-
- 提出了一种基于粒子Mean Shift 迁移过程的红外人体跟踪方法. 算法通过采样粒子迁移和聚类动态建立 目标的状态模型和量测模型. 在被跟踪区域随机布撒粒子, 以各粒子对应像素的亮度作为特征值进行Mean Shift 收敛性分析, 使用收敛后的粒子集表达目标的当前状态 以状态粒子的坐标位置为特征值对其进行Mean Shift 聚 类, 作为对目标的量测. 连续跟踪时, 下一帧的采样粒子基于上一帧的量测结果产生. 与传统的基于序贯重要性采 样的粒子滤波方法相比, 算法不需要目标的
当前模型加粒子滤波.tar
- 当前模型加粒子滤波在matlab中的实现，一维(The current model plus particle filter in matlab in the realization of one-dimensional)