参考 "On Adjusting the Learning Rate in Frequency Domain Echo Cancellation With Double-Ta...
发简信
IP属地：安徽
参考 "On Adjusting the Learning Rate in Frequency Domain Echo Cancellation With Double-Ta...
作为学习过程，我们尽量少用 库函数。由于我们需要进行复数乘法、加法运算，下面先粗糙地定义一下复数运算： 我们考虑使用静态大小的 FFT 样本点数 N，也就是在编译期，我们已经...
本篇目的： 1）回顾一下 基2-快速傅立叶变换（radix2-FFT） 的理论推导； 2）以C++语言用最直白的方式实现 基2-快速傅立叶变换[https://www.jia...
参考 《A Hybrid DSP/Deep Learning Approach to Real-Time Full-Band Speech Enhancement》 《A P...
小注包括： 1）以个人视角，分析了作者提出的新框架的动机，做一些讨论； 2）给出了一些关键公式的简单证明或说明； 记号约定： 1）向量用小写粗体字母表示；2）矩阵用大写字母表...
参考：Alex Graves,Connectionist Temporal Classification: Labelling Unsegmented Sequence Da...
参考：Alex Graves,Connectionist Temporal Classification: Labelling Unsegmented Sequence Da...
概览 包括：半环定义、例行证明、完备半环定义和解释；先把这几个半环摆出来吧： 为什么WFST要基于半环构建呢？我的理解是：一方面环这样的代数结构是比我们熟知的域（）更...
参考：《PRML》 注：作为学习笔记以及记录自己的思考过程，我将把所有的细节全部推导出来，过程可能比较繁冗。 动机 我们想要对时序数据构建概率模型，为了尽量降低参数量、增加可...
正如在高斯混合模型[//www.greatytc.com/p/20341c1d9d47]中推导的结果一样，我们在计算对数似然值log-likelihood和计算re...
Softmax前向 设是维列向量，，即对每个分量满足： 。 Softmax的winner-take-all性质 不失一般性，我们设，则有：，即当最大的那个量与其它拉开的差距越...
概述 有了前面的简单RNN后向传播推导[//www.greatytc.com/p/051ff09f86a6]的铺垫，我们在来推导LSTM的后向传播就有比较明确的思路...
周期信号的基频估计（fundamental frequency estimation）在许多应用中都起着重要的作用，例如：在汉语语音识别中，由于不同的声调对应不同的字词，所以...