针对基于深度学习的语音信号去噪方法存在难于收敛、性能不足的问题，本文提出了基于环状生成对抗网络的深度语音信号去噪方法，设计了新型的环状生成对抗语义去噪网络。通过40余种不同噪声语音集的试验，结果表明所提方法在5种衡量标准下都明显改善了去噪性能。

堆叠降噪自编码器,python实现

 对脉搏波的完全分析是建立在含有少量噪声且较为清晰的脉搏波信号中，然而在采集脉搏波信号时容易受到多种干扰的影响，使其提取出来的脉搏波含有大量的噪声，因此降噪处理显得尤为必要。同时，脉搏波中含有人体生理病理信息，不同的人将表现为不同的特征，可以看出确定脉搏波特征点对于分析人体生理健康很有意义。针对信号去噪问题采用小波变换和多分辨率分析的方法，该方法在时域和频域都能表征信号局部信息的能力，且具有对信号具有自适应性。运用极值法确定出脉搏波的峰值点，然后再根据峰值点确定出其他特征点的位置，实验证明该方法能够增加特征点的检出率。

根据语音信号降噪的问题， 我们建议 一种新颖的方法 在本文中，其中COMBIN ES Èmpirical模式分解（EMD），小波阈值去噪和我ndependent参照（ICA-R）成分分析。 因为只有一个混合记录，所以实际上是一个单通道独立分量分析（SCICA）问题，用传统的ICA方法很难解决。 EMD是 利用扩大 单-信道预先接收到的信号分成几个我ntrinsic模式功能（IMF分量），所以多维的传统ICA变得适用。 开始步骤，所接收的信号被分段来减少处理延迟。 其次，将小波阈值处理应用于噪声占主导的IMF 。 最后，引入快速ICA-R从处理后的IMF中提取目标语音成分，该IMF的参考信号是通过组合高阶IMF来构造的。 该模拟是在不同的噪声水平进行，所提出的方法的性能与EMD相比，小波阈值，EMD-小波和EMD-ICA接近。 仿真结果表明，所提出的方法表现出优异的性能去噪特别是当信号-到- 信噪比低，具有一半短的运行时间。

该代码包含两种算法，即：通用综合先验 (GSP) 和通用分析先验 (GAP)，用于减少高光谱图像中的脉冲噪声。 这些算法利用空间和光谱相关性。 GSP 算法使用 Daubechies 小波作为空间维度和傅立叶变换作为垂直维度。 GAP算法基于总变化最小化。 运行代码需要 SPARCO 工具箱（可从以下 网址免费获得： http : //www.cs.ubc.ca/labs/scl/sparco/ ）。

用小波处理一维信号matlab实验，包括小波分解，阈值选择等。 用小波处理一维信号matlab实验，包括小波分解，阈值选择等。

包含模拟超强耳机主动降噪功能的实验.doc和截图

前馈式耳机一般来说是比较容易开发的，因为设计工程师通常不用处理稳定性方面的问题。然而，这种拓扑的一个主要缺点就是风噪声(Wind noise)，因为它的降噪麦克风是直接暴露在环境中的。克服此缺点的方法之一就是采用反馈式主动降噪技术。此篇文章将说明采用ams的AS3435设计反馈式主动降噪耳机所需的步骤。　　设备综述　　同设计前馈式耳机一样，反馈式耳机也需要特定的设备，其中最重要的就是能够测量频率响应和相位响应的音频测量系统。　　适合用来进行这些测量的音频设备包括Audio Precision、Bruel Soundcheck等。搭配不同类型人工耳的人耳仿真器可用来模拟人耳的声学响应。推荐采用H

杜比 ICPR 2020 Jae Woong Soh和Nam Ik Cho [纸] 环境环境 Ubuntu 18.04 （> = 1.8） CUDA 11.2和cuDNN Python 3.7 抽象的 由于图像采集过程中不可避免的噪声破坏，图像降噪是许多图像处理和计算机视觉任务的重要组成部分。 传统上，许多研究人员在贝叶斯视角下根据图像属性和统计数据对图像先验信号进行降噪研究。 近年来，深度卷积神经网络（CNN）通过合并大规模合成数据集，在图像去噪中显示出了巨大的成功。 但是，它们都有优点和缺点。 尽管深层CNN强大，可以用已知的统计数据消除噪声，但它们往往缺乏针对盲目和现实噪声的灵活性和实用性。 而且，他们不能轻易采用显式先验。 另一方面，传统的非学习方法可能涉及显式的图像先验，但它们需要大量的计算时间，并且无法利用大规模的外部数据集。 在本文中，我们提出了一种基于CNN的方

常规毒理学实验方法周期长、耗资高，对现代药物研发和环境化合物安全性评估具有局限性，通过对化合物毒理性研究，提取1 047维分子指纹特征，提出去噪自编码神经网络无监督学习机制及对腐败特征的自联想学习特性提取隐含毒性化合物特征，实现化合物毒性预测和毒性化合物的活性预测。该方法在化合物毒性预测和活性预测中的预测精度分别为79.825%、80.85%，敏感性分别为79.62%、80.25%，特异性分别为80.03%、81.45%。实验结果表明，去噪自编码网络较浅层机器学习更适用于高通量化合物毒性预测，较传统自编码网络更具优越性。