总结目前语音识别的发展现状，dnn、rnn/lstm和cnn算是语音识别中几个比较主流的方向。2012年，微软邓力和俞栋老师将前馈神经网络FFDNN（FeedForwardDeepNeuralNetwork）引入到声学模型建模中，将FFDNN的输出层概率用于替换之前GMM-HMM中使用GMM计算的输出概率，引领了DNN-HMM混合系统的风潮。长短时记忆网络（LSTM，LongShortTermMemory）可以说是目前语音识别应用最广泛的一种结构，这种网络能够对语音的长时相关性进行建模，从而提高识别正确率。双向LSTM网络可以获得更好的性能，但同时也存在训练复杂度高、解码时延高的问题，尤其在工

经典盲解卷积（ 图像超分辨率重建）.

mckd为最大相关解卷积，包含自己修改的mckd程序，它比最大峭度解卷积去噪效果更好

多点最优最小熵解卷积调整Geoff McDonald (glmcdona@gmail.com) 的代码，2015 McDonald、Geoff L.和赵青。 “多点最优最小熵解卷积和卷积修复：应用于振动故障检测。” 机械系统和信号处理 82 (2017)：461-477。 有关该论文的 PDF 版本，请参阅我的博客： http : //www.split-code.com/rotation.html 多点最优最小熵解卷积 (MOMEDA) 计算算法。 这提出方法求解用于从信号中解卷积周期性脉冲序列的最优解。 最适合应用于从振动信号到去卷积的旋转机器故障与许多齿轮和轴承故障相关的脉冲式振动。 此上传包括用于基础解卷积的“momeda”和用于绘图的“momeda_spectrum” 光谱。 通常，此光谱将在对应于临界值的周期处产生峰值频率，以及由此产生的幅度可以被跟踪以监视机器组件的运行状

行业分类-电信-一种超声信号最小熵解卷积的无损检测方法.rar

用Matlab 语言实现基于最佳维纳滤波器的地震信号盲解卷积算法，使用给定的任意类型子波，期望输出可以有五类选择 （类型1：零延迟尖脉冲；类型2：任一延迟尖脉冲； 类型3：时间提前了的输入序列；类型4：零相位子波；类型5：任意期望波形。），检验上述算法。

关于图像盲复原的经典文章，对于不确定点扩散函数的情况下，盲解卷积是一种比较好的方法

最大相关峭度解卷积和最小熵解卷积，写论文时使用过，供参考

基于最小熵解卷积的滚动轴承故障诊断研究文献

最大峭度解卷积算法MATLAB运行，有解释，给输入，得输出