matlab除噪声代码DD-SRAD DD-SRAD代表距离驱动散斑减少各向异性扩散，用于消除SAR时间堆栈的噪声。 该代码是为与MATLAB一起使用而编写的。 用于对合成Kong径雷达数据的时间堆栈进行去噪，但可用于随时间推移而被噪声破坏的任何图像数据。 可以在下面列出的相关论文中找到更多详细信息。 如果使用此代码，请引用以下内容： N. Tabassum，A。Vaccari和S. Acton，“通过合成Kong径雷达时间堆栈的距离驱动各向异性扩散进行斑点去除和变化保留”，《数字信号处理》，第1卷。 74，第43-55页，2018年。 该代码提供了两个数据集，一个是合成生成的，另一个是一组实际SAR幅度数据。 原始合成数据也包括在内以进行比较。 要运行演示，请运行DD_SRAD.m。 如有任何疑问，请联系。 谢谢！

这是一段matlab代码，可计算噪声的A计权声压级、感觉噪声级、有效感觉噪声级。代码中有详细注释，以及计算实例。

针对噪声的随机性和突变性,使得传统算法抑制非平稳噪声比抑制平稳噪声难度增大的问题,提出了一种基于深度神经网络的子空间语音增强算法。该算法利用带噪的语音信号数据训练一组深度神经网络语音生成型模型(DNN训练模型);在测试增强阶段根据噪声估计和DNN模型去除非平稳噪声;最后,通过信号子空间在抑制噪声和减少信号失真上做出较为折中的选择重构语音信号。实验结果表明,基于深度神经网络的子空间语音增强算法对非平稳噪声有非常强的抑制能力,通过STOI和PESQ值反映了在低信噪比下,该算法可以提高增强语音的可懂度。

Microsoft可伸缩的嘈杂语音数据集（MS-SNSD） 此数据集包含大量以16 kHz采样的.wav格式的干净语音文件和各种环境噪声文件。 该数据集的主要应用是训练深度神经网络（DNN）模型以抑制背景噪声。 但是它可以用于其他音频和语音应用程序。 我们提供了在各种信噪比（SNR）条件下混合干净语音和噪声以生成大型嘈杂语音数据集的方法。 可以根据应用要求配置SNR条件和所需的数据小时数。 随着我们鼓励研究人员和从业人员通过添加更多清晰的语音和噪声片段为该数据集做出贡献，该数据集的大小将继续增长。 该数据集将极大地帮助学院和行业的研究人员和从业人员开发更好的模型。 我们还提供与训练集不同的测试集，以评估开发的模型。 我们提供html代码，用于构建两个Human Intelligence Task（HIT）众包应用程序，以允许用户对嘈杂的音频片段进行评分。 我们根据ITU-T

语音测试WAV噪声库.zip

berouti 提出的用于噪声语音信号增强的频谱减法方法。

文中在考虑锁相环产生的本振信号存在相位噪声的情况下，针对计算扩频系统的接收灵敏度，采用了分析扩频与非扩频系统收发器接收端灵敏度的计算方法，通过接收机灵敏度计算基础理论推导，得出在考虑本振信号存在相位噪声时扩频系统接收灵敏度的计算方法；最后对推导出的灵敏度计算结果进行了总结分析，并得出接收灵敏度与相位噪声、热噪声、带宽、接收端的噪声指数、输出最小信噪比以及扩频增益的关系。

基于深度学习的噪声抑制与语音识别系统.zip 计算机专业，软件工程专业，通信工程大学生课程设计 自己大三的时候写的 适合大家做课程设计，写毕业设计也可以参考 基于深度学习的课程设计

利用智能体间的分布式通信，提出了一种基于多智能体一致性的自适应下垂控制策略，用于解决传统下垂控制中频率和电压偏差、系统稳定性和功率分配精度的问题。在传统下垂控制基础上，建立了有功功率分配、有功-频率和无功-电压的二阶动态模型。在考虑通信延迟的基础上，利用无领导的一致性控制分布式电源的有功出力满足传统下垂控制的要求；利用含虚拟领导者的一致性修正传统下垂控制中的频率和电压偏差；通过Lyapunov直接法验证了系统的渐进稳定性，故而解决了传统控制中有功下垂系数对系统稳定性的影响问题；分析了通信扰动对控制结果和稳定性的影响。通过仿真验证了所提策略的有效性。

随机多智能体系统一致稳定性分析大致可区分为: 带随机噪声的多智能体系统的一致稳定性分析, 切换拓扑下随机多智能体系统一致稳定性分析, 随机时滞多智能体系统一致稳定性分析, 随机多智能体系统分布式优化控制一致稳定性分析. 对此, 从以上4 个方面对随机多智能体系统稳定性问题的研究进展及其存在的问题进行阐述, 并对随机多智能体系统一致稳定性的进一步研究方向进行了展望.