Subscribe to the gold package and get unlimited access to Shamra Academy
Register a new userSpeech Enhancement and Denoising Using Wavelet
تحسين الكلام و التخلص من الضجيج باستخدام المويجات
1449
1 107
3.0
(
1
)
Publication date
2015
and research's language is
العربية
Created by
Shamra Editor
Ask ChatGPT about the research
في هذا المشروع نقوم بدراسة المويجات و تحويل المويجة، و بيان إمكانية توظيفه في معالجة و تحليل الإشارة الكلامية و ذلك بهدف تحسينها و إزالة الضجيج منها، حيث سنطرح بعض الخوارزميات التي تعتمد على تحويل المويجة و آلية تطبيقها من أجل التخلص من الضجيج في الإشارة الكلامية، و نقارن نتائج تطبيق هذه الخوارزميات مع بعض الخوارزميات التقليدية التي تستخدم في تحسين الإشارة الكلامية.
In this project we study wavelet and wavelet transform, and the possibility of its employment in the processing and analysis of the speech signal in order to enhance the signal and remove noise of it. We will present different algorithms that depend on the wavelet transform and the mechanism to apply them in order to get rid of noise in the speech, and compare the results of the application of these algorithms with some traditional algorithms that are used to enhance the speech.
Artificial intelligence review:
Research summary
يتناول هذا البحث مشكلة تحسين الكلام والتخلص من الضجيج باستخدام تحويل المويجات. يهدف البحث إلى دراسة تحويل المويجات وتطبيقاته في معالجة الإشارة الكلامية، حيث يتم تقديم خوارزميات مختلفة تعتمد على تحويل المويجات مثل خوارزمية التعتيب وخوارزمية مرشح وينر في مجال المويجات. يتم مقارنة نتائج هذه الخوارزميات مع الخوارزميات التقليدية مثل الطرح الطيفي ومرشح وينر التقليدي. تتضمن الدراسة محاكاة عملية باستخدام برنامج الماتلاب لتقييم أداء الخوارزميات المختلفة وتحليل النتائج القياسية والسماعية. تظهر النتائج أن خوارزمية مرشح وينر في مجال المويجات تقدم أداءً أفضل في تحسين جودة الإشارة الكلامية والتخلص من الضجيج مقارنة بالخوارزميات الأخرى.
Critical review
دراسة نقدية: يعتبر هذا البحث شاملاً ومفصلاً في دراسة وتحليل تحويل المويجات وتطبيقاته في تحسين الإشارة الكلامية. ومع ذلك، يمكن ملاحظة بعض النقاط التي قد تحتاج إلى تحسين. أولاً، قد يكون من المفيد تقديم مزيد من التفاصيل حول كيفية اختيار العتبات المثلى في خوارزمية التعتيب، حيث أن هذا العنصر يعتبر حاسماً في أداء الخوارزمية. ثانياً، يمكن تحسين الجزء المتعلق بالنتائج السماعية من خلال استخدام مجموعة أكبر من المستمعين لضمان دقة أكبر في التقييم. ثالثاً، يمكن أن يكون هناك مزيد من التركيز على تطبيقات عملية أخرى لتحويل المويجات في مجالات مختلفة من معالجة الإشارة الصوتية.
Questions related to the research
-
ما هي الخوارزميات التي تم استخدامها في البحث لتحسين الإشارة الكلامية؟
تم استخدام خوارزمية التعتيب وخوارزمية مرشح وينر في مجال المويجات، بالإضافة إلى الخوارزميات التقليدية مثل الطرح الطيفي ومرشح وينر التقليدي.
-
ما هي الأدوات التي تم استخدامها في محاكاة الخوارزميات؟
تم استخدام برنامج الماتلاب في محاكاة الخوارزميات المختلفة لتحسين الإشارة الكلامية والتخلص من الضجيج.
-
ما هي النتائج التي توصل إليها البحث فيما يتعلق بأداء الخوارزميات المختلفة؟
أظهرت النتائج أن خوارزمية مرشح وينر في مجال المويجات تقدم أداءً أفضل في تحسين جودة الإشارة الكلامية والتخلص من الضجيج مقارنة بالخوارزميات الأخرى.
-
ما هي النقاط التي يمكن تحسينها في البحث؟
يمكن تحسين البحث من خلال تقديم مزيد من التفاصيل حول كيفية اختيار العتبات المثلى في خوارزمية التعتيب، وزيادة عدد المستمعين في التقييم السماعي، والتركيز على تطبيقات عملية أخرى لتحويل المويجات في مجالات مختلفة من معالجة الإشارة الصوتية.
References used
Stark, Henry; Woods, John W, "Probability, Random Processes, and Estimation Theory for Engineers". Prentice-Hall, Inc. ISBN 0-13-711706-X. 1986
Savita Hooda and Smriti Aggarwal,"Review of MMSE Estimator for Speech Enhancement", ijecs, Vol. 4 - Issue 5 (May - 2015)
Jonathan Le Roux, John R. Hershey , "INDIRECT MODEL-BASED SPEECH ENHANCEMENT", IEEE International Conference on Acoustics, Speech and Signal Processing (ICASSP), Paper: SP-L3.5, March 2012 (ICASSP, TR2012-016)
rate research
Read More
The masking-based speech enhancement method pursues a multiplicative mask that applies to the spectrogram of input noise-corrupted utterance, and a deep neural network (DNN) is often used to learn the mask. In particular, the features commonly used f
or automatic speech recognition can serve as the input of the DNN to learn the well-behaved mask that significantly reduce the noise distortion of processed utterances. This study proposes to preprocess the input speech features for the ideal ratio mask (IRM)-based DNN by lowpass filtering in order to alleviate the noise components. In particular, we employ the discrete wavelet transform (DWT) to decompose the temporal speech feature sequence and scale down the detail coefficients, which correspond to the high-pass portion of the sequence. Preliminary experiments conducted on a subset of TIMIT corpus reveal that the proposed method can make the resulting IRM achieve higher speech quality and intelligibility for the babble noise-corrupted signals compared with the original IRM, indicating that the lowpass filtered temporal feature sequence can learn a superior IRM network for speech enhancement.
Weather forecasting (especially rainfall) is one of the most important and challenging
operational tasks carried out by meteorological services all over the world. Itis furthermore
a complicated procedure that requires multiple specialized fields o
f expertise.
In this paper, a model based on artificial neural networks (ANNs) and wavelet Transform
is proposed as tool to predict consecutive monthly rainfalls (1933-2009) taken of
Homs Meteorological Station on accounts of the preceding events of rainfall data.
The feed-forward neural network with back-propagation Algorithm is used in the
learning and forecasting, where the time series of rain that detailed transactions and the
approximate three levels of analysis using a Discrete wavelet transform (DWT).
The study found that the neural network WNN structured )5-8-8-8-1(, able to predict
the monthly rainfall in Homs station on the long-term correlation of determination and root
mean squared-errors (0.98, 7.74mm), respectively.
Wavelet Transform technique provides a useful feature based on the analysis of the
data, which improves the performance of the model and applied this technique in ANNmodels
for rain because it is simple, as this technique can be applied to other models.
This memo describes NTR-TSU submission for SIGTYP 2021 Shared Task on predicting language IDs from speech. Spoken Language Identification (LID) is an important step in a multilingual Automated Speech Recognition (ASR) system pipeline. For many low-re
source and endangered languages, only single-speaker recordings may be available, demanding a need for domain and speaker-invariant language ID systems. In this memo, we show that a convolutional neural network with a Self-Attentive Pooling layer shows promising results for the language identification task.
Bias mitigation approaches reduce models' dependence on sensitive features of data, such as social group tokens (SGTs), resulting in equal predictions across the sensitive features. In hate speech detection, however, equalizing model predictions may
ignore important differences among targeted social groups, as hate speech can contain stereotypical language specific to each SGT. Here, to take the specific language about each SGT into account, we rely on counterfactual fairness and equalize predictions among counterfactuals, generated by changing the SGTs. Our method evaluates the similarity in sentence likelihoods (via pre-trained language models) among counterfactuals, to treat SGTs equally only within interchangeable contexts. By applying logit pairing to equalize outcomes on the restricted set of counterfactuals for each instance, we improve fairness metrics while preserving model performance on hate speech detection.
This paper aims to describe the approach we used to detect hope speech in the HopeEDI dataset. We experimented with two approaches. In the first approach, we used contextual embeddings to train classifiers using logistic regression, random forest, SV
M, and LSTM based models. The second approach involved using a majority voting ensemble of 11 models which were obtained by fine-tuning pre-trained transformer models (BERT, ALBERT, RoBERTa, IndicBERT) after adding an output layer. We found that the second approach was superior for English, Tamil and Malayalam. Our solution got a weighted F1 score of 0.93, 0.75 and 0.49 for English, Malayalam and Tamil respectively. Our solution ranked 1st in English, 8th in Malayalam and 11th in Tamil.
Log in to be able to interact and post comments
comments
Fetching comments
Sign in to be able to follow your search criteria
