35、光学轨道音频恢复智能算法与多分辨率音高分析

光学轨道音频恢复智能算法与多分辨率音高分析

在音频处理领域，光学轨道音频恢复和区分说话与唱歌这两个方面有着重要的研究价值。下面将详细介绍相关的智能算法以及音高分析的内容。

光学轨道音频恢复智能算法

在音频恢复中，特别是处理存在噪声和哇音缺陷的音频时，有多种智能算法可供使用。

不可预测性度量（UM）智能模式识别系统

该系统是对谱减法算法的扩展。通过分析为每一帧计算的 UM 向量在时频域的行为，能够轻松识别代表信号谐波成分的轨迹。这里使用人工神经网络作为决策系统对模式进行分类。具体操作如下：
1. 获取训练数据 ：从噪声片段和含噪信号中获取一组训练数据。噪声的 ctnk 向量代表无用成分，而从含噪输入信号中通过标准谱减法算法分类为有用成分的，则代表有用信号的模式。
2. 构建神经网络 ：实验中使用了前馈型三层神经网络，其结构定义如下：
- 初始层神经元数量等于特征向量的元素数量。
- 隐藏层神经元数量等于初始层神经元数量。
- 输出层包含一个神经元。初始层和输出层的神经元具有对数 - S 形传递函数，而隐藏层的神经元具有正切 - S 形传递函数。
3. 训练网络 ：在训练过程中，根据 Levenberg - Marquardt 优化方法更新权重和偏置，同时使用控制泛化过程的方法。

这种方法在恢复正弦成分方面非常有效，但对非音调成分的恢复改善不明显，因此可作为谱减法决策过程的扩展。

寄生调制补偿算法

该算法用于评估哇音缺陷，其流