文摘

在本文中,结合偏微分方程音乐信号平滑模型,提出了一个新的音乐信号识别模型。实验结果表明,该模型具有上述两个模型的同时,可以消除噪声,提高音乐信号。本文还研究了音乐信号基于非线性扩散模型的识别方法。通过区分平面面积和边界区域的音乐信号,得到一个新的扩散系数方程通过结合这两种方法,和相应的偏微分方程是由有限差分法离散的数值解。偏微分方程的应用在音乐信号处理是一种相对较新的话题。因为它可以精确地模型音乐信号,解决了很多复杂的音乐信号处理中存在的问题。然后,我们使用该集团将傅里叶变换(GSFT)将偏微分方程转化为一个线性齐次微分方程系统,然后用系列获得线性齐次微分方程系统的解决方案,最后使用该集团转变傅里叶反变换得到噪声调频干扰的概率密度函数的时间依赖解信号。本文利用随机微分的数学方法来解决关键问题的时间解决噪声干扰信号的概率密度函数,并研究随机微分理论的应用在雷达干扰信号处理和音乐信号处理。在论文的最后,应用随机微分在音乐信号的滤波处理。根据固有的自相似性音乐信号系统的完整性和稳定性经验模态分解(EMD)算法,一种新型的EMD音乐使用随机微分信号滤波算法。 This improved anisotropic diffusion method can maintain and enhance the boundary while smoothing the music signal. The filtering results of the actual music signal show that the algorithm is effective.

1。介绍

音乐信号恢复和增强音乐信号处理的一个重要组成部分,它是早期听觉音乐信号处理的问题。音乐信号预处理是必要的工作的早期音乐信号的分析和处理,如过滤来减少噪音的音乐信号,提高音乐信号的边缘1]。音乐信号识别技术中发挥着重要作用提高音乐信号的质量,有利于音乐信号的后处理,如音乐信号分割和音乐信号跟踪2]。由于在解决困难的时间依赖解噪声干扰信号的概率密度函数,目前的研究大部分是基于统计模型,只有其稳态解的解决方法。主要原因是概率密度函数满足,很难解决偏微分方程(3]。传统的线性滤波方法,如中值滤波和维纳滤波也可以模糊边缘的音乐信号而去除噪声。当偏微分方程模型用于恢复音乐信号,它可以消除噪声并保持边缘的音乐信号。在此基础上,本文使用滤波器模型来改进它的影响,从而使音乐信号处理有更多的边缘,去除噪音,所以它具有音乐信号识别的特点4]。

统计过滤器音乐信号恢复,例如,和平均中位数过滤器使用边缘像素的平均和算术平均值的值在一个窗口来代替中央像素值。均值滤波器通常用于滤除高斯噪声,中值滤波是常用的滤除脉冲噪声(5]。基于偏微分方程可以使用过滤器一般连续二维函数模型音乐信号,从而执行操作,如推导和集成的音乐信号,而标准化音乐信号处理的问题,使问题的描述形式变得简单,信号处理和非线性滤波器在音乐reunderstood和分析(6]。使用传统的线性滤波器恢复和提高音乐信号被噪声污染将模糊甚至破坏音乐信号的边界不连续信息,而基于偏微分方程的各向异性扩散滤波可以消除干扰,同时保持音乐信号(7]。与此同时,基于偏微分方程的扩散方法有一些缺点。最重要的是成本计算的扩散方程,计算相关的连续积分。这些计算不便使各向异性扩散方法难以适用于大多数实时视频(8]。

本文的主要研究工作集中在偏微分方程的应用在音乐信号恢复和音乐信号识别。主要分析传统音乐信号分析方法和研究偏微分方程的应用方法和各向异性扩散方程在音乐信号恢复,以及他们的改进算法对音乐信号识别。偏微分方程是一个相对复杂的音乐信号分析和处理的方法,具有重要的研究和应用价值,需要深入研究。使用偏微分方程对音乐信号处理是处理音乐信号作为一个整体。例如,它可以保持边缘的形状和位置不变而去噪。的基础上,总结了偏微分方程的数学模型方法在音乐信号处理,结合偏微分方程和小波方法,本文提出了一种新的去噪算法适用于二阶偏微分方程和高阶偏微分方程。我们专注于简单实用的小波阈值去噪方法,并针对其阈值去噪的缺点,我们提出一个基于小波变换和维纳滤波去噪方法介绍了建模和去噪的偏微分方程的图像处理方法。实验显示了它们的有效性。两者的有机结合将克服他们的缺点,得到更好的结果。变分模型和各向异性扩散模型有一个完整的理论框架,各种模型和成熟的数值解。 The introduction of them into the field of music signal processing and computer hearing undoubtedly provides a powerful tool for solving problems in this field. Therefore, the research topic of this article has a certain theoretical background and strong practical value.

2。相关工作

的想法使用偏微分方程对音乐信号处理是建立从Zhang et al。9]。他们介绍了尺度空间的概念,表示一组音乐信号多尺度在同一时间。的贡献在很大程度上构成了偏微分方程的基础上对音乐信号处理。获得的音乐信号的多尺度高斯平滑、和尺度空间的音乐信号也可以通过使用经典热传导方程发展音乐信号。陈等人。10]提出热传导方程并不是唯一的方程能够形成规模和空间提出的标准形成一个规模空间。Farrokhmanesh和Hamzeh提出的各向异性扩散模型11在这个领域最具影响力的。他们提议来取代高斯扩散能保持边缘的选择性扩散,导致许多理论和实践问题。在相同的框架下,Todisco et al。12]提出的方法减少偏微分方程(电视:总变异)提出的冲击过滤器,这凸显了偏微分方程在音乐信号处理的重要性。

信号处理和计算机领域的音乐听觉,有一些偏微分方程基于曲率曲线和曲面运动。Shahabi和Moghimi13)开发了一个水平集数值算法。他们的想法是使用高维超曲面水平集表示变形曲线,表面,或音乐信号。该技术不仅使计算结果更准确,还解决了拓扑结构的问题,很难处理。还可以使用偏微分方程对音乐信号分割。安藤提出的模型(14)集成了多种音乐信号分割算法,导致许多新的理论和实践的问题。一些学者对音乐也有很大的影响信号分割算法基于活动的界限。之后,许多学者扩展他们的工作与几何偏微分方程(15- - - - - -17]。学者用随机微分方程来研究开关电容电路的噪声谱密度,线性和非线性时变电路,和随机微分方程来研究振荡器的相位噪声模型(18- - - - - -20.]。一些研究人员使用随机微分方程来研究混频器的噪声模型,随机微分方程研究射频电路中的噪声问题,和随机微分方程研究非线性时变电路中的噪声问题。这种类型的研究非常广泛,因为布朗运动模型可以自然地对应于噪音,可以很容易地建立相关的随机微分方程。偏微分方程也可以用于音乐信号修复。它是音乐信号插值的同义词。它最初从艺术家修复破碎的手工艺术品在博物馆。目前,音乐信号修复技术用于信号。有许多应用程序处理、听觉分析和数字技术,比如音乐信号恢复,音乐信号放大,音乐信号超限分辨分析和错误隐藏在无线音乐信号传输(21]。

可以看出,音乐信号处理中使用的基本方程包括影响过滤器、偏微分方程、各向异性扩散,和积极的边界,从而实现经济复苏,音乐信号的增强和分割。在平滑过程中,音乐的力量和方向信号检测到特征同时,和平滑的结果是一个很好的噪声消除和功能保护,这是一个更好的音乐信号平滑技术。与热扩散模型相比,各向异性扩散模型实际上是一种非线性抛物型偏微分方程,其扩散速度是由音乐的梯度信号,可以考虑噪声消除和保护功能。算法基于影响过滤器、偏微分方程和各向异性扩散研究是许多音乐信号处理的重要组件基于偏微分方程的方法,并对这些模型的改进有积极意义和数值计算。

3所示。建筑模型的识别音乐信号基于偏微分方程

3.1。偏微分方程的解集空间

根据音乐信号处理的实际情况,如果问题转化为一个线性方程系统系数矩阵的谱值通常是小,线性方程系统通常是弱条件,和获得的解决方案通常是不适定的。定理的条件是解决这个问题的充分条件的明确的解决方案,但它不是一个必要条件,不管满足条件,但只要它能满足系列。

出于这个原因,各种正则化方法求解病态问题一直是学术界提出的。这些方法专注于维持稳定,同时保持解决方案信息和使用统计方法,迭代方法和变分方法获得正规化逆问题的解决办法。图1显示了空间分布的偏微分方程的解集。

线性各向同性扩散滤波器是最简单的音乐信号的基于偏微分方程的滤波算法。它有一个明显的物理意义。它可以被看作是一个平衡的过程内部浓度差异,当物质不能产生和死亡。它的数学公式可以表示为

在音乐信号处理、线性各向同性扩散滤波器的扩散率是恒定的;非线性各向同性扩散的扩散速度滤波器对应于音乐信号的局部结构;非线性各向异性扩散滤波的扩散速率对应于音乐信号的局部结构。各向异性扩散方程,电导率在每个点是一个矩阵。

考虑到音乐的退化信号主要是由噪声和噪声被认为是一个小目标一个大曲率轮廓线,让噪音的等密度轮廓线部分与大曲率缩小一点,甚至消失随着时间的推移,音乐信号部分小曲率会演变成音乐的轮廓信号仍然存在。

让是一个音乐信号空间,这被定义为一组的分段平滑泛域 。在这组,只有不连续边缘的步骤。很难扩展能量函数定义在这个音乐信号空间梯度幅值是不连续边缘的一步。

由于扩散系数非零,它代表了退化扩散梯度方向正交。由于边缘的方向是垂直于梯度,定义良好的平滑算子,保护边缘趋势已经收到了广泛的关注。

这通常是通过设置导热系数矩阵的每个元素,扩散效应的方向强度有关。沿梯度方向,扩散效应应该设置较弱,尤其是梯度值很大。在其他方向,扩散效应应设置强,从而达到平滑和去噪的效果。导热系数矩阵的设计取决于当前点的音乐信号的梯度。因此,扩散张量的变化与空间的位置。

3.2。音乐信号识别算法

研究评估质量的音乐信号处理研究的一个基本的纪律音乐信号的信息。对音乐信号处理或音乐信号通信形式,信息的主体是音乐信号,和一个重要的指标来衡量这个系统是音乐信号的质量。音乐信号识别是提高主观听觉显示音乐信号的质量。

音乐信号恢复的原则来弥补音乐信号,以便恢复退化信号尽可能接近原始音乐信号的质量。所有这些需要一个合理的方法来评估音乐信号的质量。

音乐信号处理质量的含义包括两个方面:一个是音乐信号的保真度,也就是说,之间的偏差程度,评价音乐信号和原标准音乐信号;另一个是音乐信号的可理解性,指音乐信号的能力向人或机器提供信息。

水平集方法是把音乐信号作为一组组成的等密度轮廓,认为音乐信号的退化主要是由噪声引起的,作为噪声主要是小目标和更大的等密度轮廓的曲率。所以高曲率噪声部分的轮廓线收缩点或消失随着时间的推移,和低曲率音乐信号部分发展成音乐的轮廓信号仍然存在。图2显示了一个示意图的音乐信号识别算法。虽然最理想的情况是能够找到一个忠诚的定量描述方法和可懂度的音乐信号,作为评估的基础音乐信号,设计信号系统。

在现实世界中,音乐信号被照相设备通常是嘈杂的音乐信号。对音乐信号被噪声污染,有必要消除干扰信号在使用传统音乐的音乐信号识别算法。然后,从音乐信号处理的实际情况,当问题转化为一个线性方程系统,一般的谱系数矩阵值小,线性方程系统通常是弱条件,和解决方案通常是不适定的。之间的区别使用偏微分方程对音乐信号处理和传统信号处理方法对音乐是传统音乐信号处理方法,如过滤器,当执行音乐信号处理,只需要对音乐信号执行操作的结果,但偏微分方程需要反复迭代的音乐信号在处理信号,直到若干次迭代后得到一个稳定的解决方案。在迭代中,每一层构成规模的音乐信号空间。为此,提出了各种正则化方法求解病态问题。这些方法专注于维持稳定,同时保持解决方案信息和使用统计方法,迭代方法和交叉方法获得正规化逆问题的解决办法。一些模型,使用偏微分法可以增强图像的边缘,同时删除音乐信号的噪声,处理速度快,加工精度高。

3.3。模型加权因子替代

我们使用这个函数来表示音乐信号,音乐信号域通常是作为一个矩形(二维)和函数值甜( )代表音乐的灰度(或亮度)信号的图像点 。在计算机,音乐信号的功能加工过程是一个离散的音乐信号。(saraple)是离散采样点的音乐信号域 。可以看出,发现概率信息熵开始与噪声方差的增加减少 ,当它到达底部,噪声方差的增加而增大 。每个像素的灰度值是离散,通常分为128或256年的水平。为方便理论讨论,认为音乐信号的功能音乐是一个连续信号,即假设需要点不断在音乐信号域,每个点的灰度值也是不断。为了能够有效地处理音乐信号,我们首先需要知道如何理解和代表音乐信号从数学的角度来看。音乐信号模型及其表示方法确定音乐信号处理模型在很大程度上。

向前差分格式用于时间维度。为了保持音乐信号的峰值,向前(向后)可以用来计算差异 - - - - - - 和 - - - - - - 。然而,中心差分不能使用,因为信号的峰值将平滑。最后,添加四个对角梯度估计算法对边缘信息更敏感。图3显示了二维散点分布的极端点的敏感性的音乐信号。由于小数量的迭代,计算总体上增加了并不多。我们还可以看到,派生的音乐信号极端点空间规模不超过那些在音乐信号,获得满足要求的连续的压缩和简化的规模尺度参数增加时空间表示因果关系。从这个意义上说,高斯卷积核是唯一一个连续的尺度空间音乐信号;即修复音乐信号对应的内部规模粗分辨率水平可以得到相对应的音乐信号的卷积操作内高分辨率的规模水平。

表1显示音乐信号的噪声平滑参数分布。改进的四阶偏微分方程具有明显的噪声平滑能力。然而,音乐信号的相对较小的边缘被平滑脉冲噪声,特别是细节的边缘长度很小,但两岸的边缘灰度变化大。在一个大的平滑区域,噪音点扩散到块相似的灰色的水平,和平滑能力需要加强。然后,组织转变使用傅里叶变换将偏微分方程转化为齐次线性微分方程组。最后,按时间的概率密度函数的解决方案后的噪声调频干扰信号雷达中频滤波器。一方面,它执行各向异性antidiffusion对音乐信号被噪声污染的影响;另一方面,它执行自适应统计每个antidiffusion过滤之间的音乐信号,这也消除了明显的脉冲点antidiffusion后留下的。我们改进下antidiffusion梯度估计的准确性,大大降低了整个算法的迭代次数,并减少模型的错误判断噪声点和边缘点,这样新算法输出音乐信号在各领域相比,适当的平滑而边缘仍清晰敏锐。

4所示。应用程序和音乐信号的分析识别模型基于偏微分方程的方法

4.1。音乐信号数据提取

实验中使用的输入音乐信号是一个音乐信号 , 高斯噪声和椒盐噪声10%,大小 和 ,分别。我们分析各种算法的输出结果比较之前的性能模型,向前/向后各向异性扩散模型,提出了偏微分方程算法。客观指标用于分析峰值信噪比(PSNR)和均方误差(MSE)。以下所示的音乐信号输出的各种算法和最好的PSNR值基本上匹配输出的最小均方误差。当像素的权重是相同的在每一个方向,这是4点平均滤波方法。可以看出,偏微分方程可以表达这种各向同性高斯平滑方法。为了确保音乐信号在各个方向的特点,有必要提高偏微分方程转化为一种各向异性分布形式。

虽然已知参数的稳定范围,在这个实验中,一个详尽的方法用于迭代在稳定范围内(0.25 0,)步长为0.01发现,可以获得最好的PSNR的价值。图4显示了音乐信号峰值信噪比火柴棍图。实验结果表明,只要选择在稳定范围内,最好的PSNR输出不会差别很大,但最佳值约为0.15。计算结果可以看出,与软停止值方法相比,本文提出的方法有更好的音乐信号抑制高斯噪声的影响;我们可以获得更高的信噪比,有效地减少噪音干扰,更好的保留边缘部分。信息可以提高音乐信号的质量。一个较小的值将使算法收敛较慢,但它可以在10迭代收敛。可以看出信号(音乐信号)是分层的使用一个简单的小波硬阈值将导致明显的边缘构件,将扭曲的结果。值得注意的是,这种方法不会增加的计算量。由于小波的分解和重构算法可以在短时间内完成使用和细节图像稀疏数据集,其规模将进行扩散快,所以在整个生产过程中计算的数量不会增加。偏微分方程比小波阈值在这方面,和处理音乐信号有更好的听觉效果。 But the partial differential equation is that the signal is processed as a whole. We can expect the signal (music signal) to be layered and then diffused, which will achieve better results.

4.2。模型的仿真实现

二维灰度音乐信号,中值滤波对音乐信号的影响通常是采取一个矩形窗口,一个奇怪的边长和滑动窗口音乐信号的行和列。音乐信号在任何像素。过滤后的输出值等于所有像素的灰度值的中值价值在窗口窗口的中心移动到这一点。尤为重要的是,这种方法可以加强边缘,去除噪声,而边缘所在的尺度空间比线性尺度空间更稳定。显然,最重要的参数的模糊边界空间规模 。如果太大,音乐信号变得非常模糊,这是类似于线性扩散。如果很小,它可以保护边缘。因此,我们假设 ,被称为稳定逆扩散方程(双方)。如果每一帧序列音乐信号和视频信号被视为一个单独的静态音乐信号,由于这种相关性,可以用它来构建一些音乐信号的帧的信息之前和之后的音乐信号处理在连续的视频序列。基于各向异性扩散模型的序列音乐信号改善质量的恢复信号,本节只考虑两帧图像的情况。

拟议中的偏微分方程模型只能输出最好的音乐信号4迭代,和获得一定程度的平滑区域,而边缘保持清晰,基本上没有噪音了。图5显示直方图的音乐信号的输出识别率。输出PSNR已经大大提高了21.51 dB,均方误差和减少至少40%,至0.356点。应该注意的是,上面比较小的灰色区域每个音乐信号,输出音乐信号的影响其他模型几乎平滑,而偏微分方程模型的输出音乐信号可以保存完好。此外,边缘更明显和准确,可以看出繁殖输出的音乐信号的偏微分方程模型更加准确。输入的大小的模型,偏微分方程模型需要迭代操作输出最好的PSNR音乐信号通常在大约5倍,最好的PSNR值可以提高约3 dB与上面提到的其他算法。

图6显示了一个线图的音乐信号去噪错误率比较。如果音乐信号包含大量的噪音,它可以处理的阈值,然后适当的范围扩散,最后叠加生成没音乐信号的原始信号(当噪音很小,音乐信号可能不是阈值处理)。它保留边界而去除噪声。值得注意的是,这种方法不会增加的数量计算,因为小波的分解和重构算法可以在短时间内完成,和详细的数据集音乐信号是稀疏的,和它的规模是扩散。它能够快速进行,所以在整个过程的计算量将不会增加。小波变换使用小波系数来描述信号在不同尺度空间的变化。如果选择了正确的小波的基础上,描述的信号将一些重要的小波系数,同时,高斯自身噪声污染部分的小波系数。实验表明,该方法不仅可以提高算法的效率和音乐信号的信噪比也达到更好的听觉效果。可以看出,每个方向相关的系数的梯度。当的梯度很大(边缘),相应的重量很小,所以在这个方向上的平滑程度是小,定向功能保留。

4.3。示例应用程序和分析

首先,我们对低分辨率的信号执行双立方插值;插值过程会带来噪音,由方程提高过滤图像在平滑噪声。所选择的参数 , ,和 ;迭代步长为0.02,迭代80次。实验先后添加高斯白噪声噪声方差为0.02的标准形象,利用四阶偏微分方程方法和本文方法降噪图像。其中,小波选择在三层小波分解的图像,和图像的像素总数。从实验结果可以看出,过滤后的听觉效果更明显。同时,通过计算发现,过滤后的音乐信号的信噪比也得到改善。可以看出,其结果是获得第一次过滤后的音乐信号与偏微分方程方法,然后执行分水岭分割的方法。原创音乐信号过滤,时间步长 秒在迭代过程中,这一代执行100次。可以看出,当一个线性偏微分方程是用来放大音乐信号,无论多少次放大,斑点和偏差的光明和黑暗区域不明显,地区和效果更好的图像的灰度值变化很大。然而,对象在音乐信号的边缘小到可以清晰,和整体形象看起来太光滑了。

信噪比和主观感知决定音乐信号的质量。在实验中,我们比较之前和之后的音乐信号的信噪比处理和提取的音乐信号的边缘与相同的方法来判断的影响去噪边缘信息。图7显示一个梯形图的过滤音乐信号的分辨率。可以看出,大学出版社模型所需的迭代次数达到最好的PSNR值输出音乐信号已经达到了147份。音乐输出信号相对模糊和最好的PSNR值只有17.141 dB和均方误差为0.941,这是更高。之前的模型中,如果输入音乐信号的大小是偏微分方程,它通常需要大约110迭代,和最好的输出PSNR值不超过18分贝。所需的迭代次数向前/向后各向异性扩散模型大大降低到49(偏微分方程的输入大小通常少于60倍),边缘清晰的输出音乐信号是改善,但很多噪音了。每个地区仍然有色差,结果在最后PSNR仍仅为18.119分贝。

整个出版社的输出模型太模糊,边缘不够清晰。最好的PSNR值只有17.47 dB, MSE高,0.9176。向前/向后扩散模型的输出噪声较多,但由于逆向扩散组件,音乐信号不是太模糊,和最好的输出PSNR值不超过20分贝。偏微分方程的大局输出已得到改进,但有一个小错误在音乐信号,黑点等更大的白色区域的主要部分音乐信号,和最好的输出PSNR仍不超过20分贝。提出了偏微分方程模型的输出会抑制噪声很好,和许多小的边缘地区可以保持清晰没有留下明显的噪音。该算法有效地提高了去噪后的结果,提高了峰值信噪比。理论上来说,噪声主要集中在高频部分。为了结合两者的优势,消除他们的缺点,提出了一种结合了偏微分方程去噪方法和小波闭值。最好的偏微分方程模型的输出PSNR值为22.74分贝,显著提高,与其他算法相比,在均方误差减少到0.306。

5。结论

基于偏微分方程的理论方法,提出了一种音乐信号识别模型,使用有限差分法离散化连续模型,并讨论了参数的变化对降噪效果的影响在新模型。原创音乐信号识别算法基于向前和向后扩散已得到改进,这样图像具有更好的去噪和增强处理效果。然后,根据固有模式函数音乐信号的特点和剩余功能音乐信号进行EMD分解信号,不同的随机微分滤波策略采用过滤每一层,和水下音乐信号是模拟的。最后,逆傅里叶变换用于集团转变获得的时间依赖解概率密度函数的噪声调频干扰信号经过脉冲中频滤波器。结果表明,本文提出的方法对非线性噪声干扰有很好的抑制作用。实验结果表明,该模型具有增强的边缘特征antidiffusion算法;的数值统计滤波不仅消除了不稳定的antidiffusion也消除了脉冲噪声在音乐信号很好,有很好的增强边缘和噪声消除能力。本文提出了一种新的音乐信号去噪算法基于阈值去噪的原理,对原创音乐执行初步去噪信号。在此基础上,关系的偏微分方程去噪过程中音乐信号进行了研究,获得了一种新的阈值去噪方法,获得了较高的信噪比。数值试验结果表明,利用这种方法降噪的音乐信号,保护边缘和去除噪声的目的。 The use of partial differential equations for music signal processing not only puts forward new research topics for the theoretical research of partial differential equations but also plays an important role in promoting the development of music signal processing, signal analysis, and other issues, so it has important theoretical value and has broad application prospects.

数据可用性

使用的数据来支持本研究的发现可以从相应的作者。

的利益冲突

作者宣称没有竞争的经济利益或个人关系可能出现影响工作报告。