欢迎来到天天文库
浏览记录
ID:35071583
大小:4.59 MB
页数:63页
时间:2019-03-17
《基于鲁棒主成分分析的音乐降噪》由会员上传分享,免费在线阅读,更多相关内容在学术论文-天天文库。
1、基于鲁棒主成分分析的音乐降噪NoiseReductionofMusicBasedonRobustPrincipalComponentAnalysis学科专业:电路与系统研究生:刘迪指导教师:滕建辅教授天津大学电子信息工程学院二零一五年十一月摘要随着科技的发展,手持录音设备用户数量迅速增长,在生活场景下录制音乐变得越来越普遍。因此越来越多的公司提供生活场景下的音乐识别等服务。然而在生活场景中,录音环境中经常存在欢呼声、说话声、汽车鸣笛声等噪声。这些非纯净音乐片段的检索的问题亟待解决。为了满足人们获取音乐详细信息的需求,这一问题的解决备受关注。目前,对于上述系统的实现,面对的关键问题是生活当中
2、各种各样的噪声。为提高生活场景下录制音乐的质量,将音乐信号低秩特征应用到音乐降噪领域,提出基于鲁棒主成分分析的降噪方法,为生活场景下大噪声的降噪问题提供了一个新思路。首先基于独奏音乐的低秩特征,对音乐信号进行噪声位置检测的预处理。噪声位置检测的标准是音乐信号的秩,当秩远远大于纯净独奏音乐的秩时则视为含噪音乐。然后,将鲁棒主成分分析首次应用于音乐降噪领域,并与小波降噪和独立主成分分析降噪进行对比实验。其中,选择增广拉格朗日乘子法解决鲁棒主成分分析的优化问题,引入信噪比和音频感知的客观评价标准作为对比实验的评价指标。实验结果表明,鲁棒主成分分析的降噪方法可以使音乐信号的信噪比提高约2~5dB,
3、其音频质量的客观评价标准也得到提升。综上所述,基于鲁棒主成分分析的音乐降噪方法,对于生活场景下噪声的降噪具有明显的优势。关键词:音乐降噪;鲁棒主成分分析;非高斯噪声;低秩矩阵恢复;音频感知的客观评价标准ABSTRACTWiththedevelopmentofscienceandtechnologyandtherapidgrowthofthenumberofusersintherecordingdevice,therecordingmusicinthelifescenebecomesmoreandmorepopular.Somoreandmorecompaniesoffermusicreco
4、gnitionandotherservicesunderthesceneoflife.However,inthescenesoflife,thecheers,thevoice,thesoundofcarhornsandothernoisesoftenexistintherecordingenvironment.Thattheretrievalofcontaminatedmusichasbecomeanurgentproblemtobesolved.Inordertomeettheneedsofthepeopletogetmoreinformationfromthemusic,theprob
5、lemisneededtobesolvedrapidly.Atpresent,thekeyproblemoftheabovesystemisthedenoisingofnoisesinthelife.Inordertoimprovethequalityofrecordingmusicinthelifescene,theLow-Rankcharacteristicisappliedtonoisereduction.ItpresentsanewmethodofreducingnoisebasedontheRobustPrincipalComponentAnalysis(RPCA).Thisme
6、thodprovidesanewideafornoisereductioninlivingsense.Firstly,basedontheLow-Rankcharacteristicofsolomusic,thenoisepositiondetectionofthemusicsignalispreprocessed.Thestandardofnoisepositiondetectionistherankofmusicsignal,whentherankofmusicsignalisfargreaterthantherankofpuresolomusic,itisseenasmusiccon
7、tainingnoise.Secondly,theRobustPrincipalComponentAnalysisisfirstappliedtothefieldofmusicnoisereduction.AndthecomparisonwithWaveletde-noisingandIndependentPrincipalComponentanalysisismade.WhereinselecttheAugmented
此文档下载收益归作者所有