语音信号处理-语音增强 线性预测技术是语音处理中最有效的手段，但是最容易受噪声影响。 原因：若将线性预测技术看做频谱匹配过程，则在含大量噪声的语音会使频谱畸变，但是预测器就设法与畸变频谱匹配，而不是与目标语音频谱匹配。当在声码器的接收端使用与发送端相同的预测器时，则复原语音的可懂度大大降低。 语音增强是从带噪声信号中提取尽可能纯净的原始语音，是解决噪声污染的一种有效方法。 主要应用范围：降低听觉噪声识别系统的与处理和线性预测编码的与处理。这种技术对语音识别和说话人识别是十分重要，可识别装置可以在含噪环境下进行工作。 目前语音增强已发展成为语音信号数字处理的一个重要分支。

关于该资源的详细描述，可参考本人博客https://blog.csdn.net/qq_36584460/article/details/123928119

论文：Image denoising by sparse 3D transform-domain collaborative filtering 阐述了BM3D算法原理与实现步骤

为了有效地去除视频序列中的噪声,提高视频图像质量,提出了一种基于运动估计的视频降噪算法。该算法在由视频序列中的当前帧和前后多帧图像构建的图像层中,通过运动估计技术,沿着物体的运动轨迹进行时域帧间滤波。实验结果显示,本文提出的算法充分利用了视频序列的时域信息,可以有效去除视频序列中的噪声,同时可以很好地保持视频图像的细节。

NOMA(非正交多址接入): （摘自《面向5G的非正交多址接入技术（NOMA）浅析》.张长青） 1.1基本原理：        在正交多址技术（OMA）中，只能为一个用户分配单一的无线资源，例如按频率分割或按时间分割，而NOMA方式可将一个资源分配给多个用户。NOMA技术的基础仍是成熟的OFMA技术，NOMA在同一个子载波，同一个OFDM符号对应的同一个资源单元上，根据不同的信号功率为多个用户使用，可达到多址接入的目的。        NOMA在发送端根据对信道传输质量的评估来分配用户发射功率的非正交发送，主动引入干扰信息。对信噪比高的信道分配较小的功率，对信噪比低的信道分配较大的功率。在接

时间序列的VMD去噪，1和2分别是去噪一层和两层的结果。数据根据需要更改，小白一个，如有错误多多见谅。

Deep KSVD Denoising——融合KSVD传统算法和深度学习的去噪算法实现，使用pytorch（拥有详细的代码注释）

本设计可以找到源码，可以为您做设计，请看个人简介信息获取，资源免费，希望您给个关注，后续会上传源码，关注后第一时间会通知到您。感谢！

格拉布斯表格，显著度分别有0.1、0.05、0.025、0.01、0.005 五种，数据最长可达100个数据点

结合低秩矩阵分解的带状噪声模型用于高光谱图像去噪