https://community.wolfram.com Wolfram社区的RSS Feed显示按活动排序的标签信号处理中的任何讨论 https://community.wolfram.com/groups/-/m/t/908835 ##摘要通常，由于外部噪音，通过麦克风发出的声音不太容易被理解。该项目的目标是智能地消除通过麦克风出现的噪音干扰。为了实现智能噪声消除，我们动态区分并去除&#034；嘈杂的&#034；声谱图中关于不同参数的区域。##引言音频文件是表示不同频率波的波&#039；覆盖。为了得到频率范围内的结构，采用了傅里叶变换。通过傅里叶变换得到了噪声的频率特性。然后，在假设噪声幅度较小的情况下，应用一个模型，并可以使用指数截止值来消除噪声。实验表明，用一个因子对音频进行分区、应用这些更改并重新组合音频，比在原始音频上执行更改要快。最终的结果是音频数据的噪音相对较小。下面我们描述代码___检查音频是否正确并解压缩&#034；采样率&#034"长度&#034；和&#034；键入&#034；。获取音频测量[a_]：=模块[{sr，t，l，err=None}，如果[！AudioQ[a]，err=generateError[a]]；如果[err=！=无，则返回[err]]；（*提取样本率，如果提取不成功，则设置为44100）sr=音频测量[a，&#034；采样率&#034）]；如果[！IntegerQ[sr]，err=generateError[a]]；（*如果采样值不是整数，则它不是有效的音频*）（*提取采样率，如果提取不成功，则设置为Real32*）t=音频测量[a，&#034；类型&#034）]；如果[！MatchQ[t，supportedAudioTypes]，err=generateError[a]]；（*如果类型不是支持的类型之一，则它不是有效的音频*）（*提取音频长度，如果提取不成功，则返回$Failed*）l=音频测量[a，&#034；长度&#034，]；如果[！IntegerQ[l]，generateError[a]]；{sr，t，l}]计算窗口大小（wSize）和偏移量（getOffset）如果未给定wSize和/或getOffset，则将根据已知因素计算它们。获取窗口大小[wSize_，sr_]：=带有[{wTime=2048./44100}，如果[wSize===自动，则Round[wTime*sr]，wSize]]获取偏移量[wSize_，偏移Given_]：=在[｛ratio＝.25]的情况下，如果[offsetGiven===自动，舍入[wSize*ration]，offsetGiven]]这里我们引入指数函数，它可以切断低于或高于平均频率值的频率。用共轭矩阵连接矩阵，免除了想象部分。变换后，傅里叶逆变换结果不变。但计算值的结果正在发生变化。expfunc[aa_，thresh_]：=映射[If[Abs[#]&gt=thresh，#，#*Exp[1-（thresh/（Abs[#]+0.01*thresh））^4]&amp；，aa]；separateSpectArray[array_，thresh_]：=映射[expfunc[-（thresh/（Abs[#]+0.01*thresh））^2]&amp；，数组]在改变频谱图后，我们通过使用逆傅里叶变换返回音频数据。conjugateTwoPartsSpectArray:=编译[{数组，偏移量，win，wSize，l}，模块[{res={}，concat}，concat=开发人员`ToPackedArray[Join[array，Take[Conjugate[Reverse[array、{2}]]，All，{If[EvenQ[wSize]，2，1，2]，-2}]，2]；res=ConstantArray[0.，wSize+天花板[l]]；ParallelDo[res[[1+（i-1）*offset；；（i-1，*offset+wSize]]+=Re[Inverse Fourier[concat[[i]]，Fourier参数-&gt；{1，-1}]]*赢，{i，范围[长度[concat]]}]; 物件]]#使用给定函数消除噪音___去噪功能将音频文件划分为几个部分，并对每个部分应用去噪部分功能。我们的流程执行以下操作：-1.用傅里叶变换计算音频文件的频谱图-2.应用指数截止值-3.使用逆傅里叶从频谱图中获取音频文件![速度比较：处理整个数据与处理数据块][1]为了计算窗口的大小，HannWindow函数被用作默认窗口。Hann窗口的优点是锯齿非常低。汉恩函数通常用作数字信号处理中的窗口函数，用于选择样本序列子集，以便执行傅里叶变换或其他计算。$$\开始{cases}\alpha+\alpha（-\cos（2\pi x））+\cos-\压裂{1}{2}\leqx\leq\裂缝{1}{2}\\0（&amp；）；\文本{True}\结束{cases}$$去噪部件[audio_，wType_：HannWindow，wSizeGiven_：自动，offsetGiven_:自动，testFunction_：假]：=模块〔｛l，sr，t，win＝wType，wSize，offset，averThresh，spectArraySep，spectArraySepModify，spectArray，spectArrayModify，result〕，对于[｛err=getAudioMeasurements[audio]｝，如果[err===$失败，返回[err]，｛sr，t，l｝=err]]；wSize=安静@getWindowSize[wSizeGiven，sr]；偏移=安静@getOffset[wSize，offsetGiven]；赢=安静@generateWindow[win，wSize]]；然后我们使用SpectrogramArray以数组形式获取其光谱图spectArray=安静@开发者`ToPackedArray[SpectrogramArray[音频，wSize，偏移量，获胜]]然后计算参数的主平方值和平均阈值如果[！testFunction，平均阈值=安静@computeAverageThreshold[spectArray[[全部，1；；楼层[wSize/2+1]]]；光谱阵列Sep=安静@separateSpectArray[spectArray[[All，1；；Floor[wSize/2+1]]，averThresh]；spectArraySepModify=安静@地图[#&amp；，spectroArraySep，{2}],spectArraySepModify=spectArray[[全部，1；；楼层[wSize/2+1]]]]；然后应用逆傅立叶变换从频谱图中得到音频数据spectArrayModify=安静@conjugateTwoPartsSpectArray[spectArraySepModify，offset，win，wSize，l]；###最后，我们得到了结果result=开发者`ToPackedArray[Take[spectArrayModify，l]/（Total[win^2]/offset）]；result=音频[result，如果[t===&#034；Real&#034；sr]；如果[！AudioQ[result]，返回[$Failed]]；结果我们还使用腭化函数来实现更快的去噪过程。在实验过程中计算了一个最佳因子，它允许将音频划分为这些部分，从而使去噪过程最快。可以指定去噪函数的所有参数，尽管它以默认值的最佳方式工作。去噪[audio_，secondsInPartitions_：自动，wType_:HannWindow，wSizeGiven_：自动，offsetGiven_：自动，testFunction_：False]：=模块[{audioList，optFactor=3.9508808651665794`，optSecondsInPartitions，d，useOpt=True}，如果[！AudioQ[audio]，返回[$Failed]]；d=音频测量[audio，&#034；持续时间&#034）]；optSecondsInPartitions=（d*1.0）/optFactor；useOpt=If[Internal`RealValuedNumericQ[secondsInPartitions]&amp&amp；秒分区&gt；0（&amp；）&amp；秒分区&lt；d、 错误，正确]；audioList=音频分区[audio，If[useOpt，optSecondsInPartitions，secondsInPartitions]]；AudioTrim[AudioJoin[ParallelMap[noveroisePart[#，wType，wSizeGiven，offsetGiven和testFunction]&amp；，音频列表]]]] 去噪[audio_，OptionsPattern[]]：=去噪[audio，OptionValue[SecondsInPartition]，HannWindow，Automatic，Automatical，False][1]: http://community.wolfram.com//c/portal/getImageAttachment？filename=Capture21.PNG&用户Id=900441[2]: http://community.wolfram.com//c/portal/getImageAttachment？filename=Capture22.PNG&用户Id=900441 米纳斯·加扎里安 2016年8月19日T15:48:41 Z