资讯型电商网站优缺点,wordpress创建数据表,网络营销的新特点,网站后台系统是用什么做的目录 1、今日计划学习内容2、今日学习内容1、add noise to audio clipssignal to noise ratio(SNR)加入 additive white gaussian noise(AWGN)加入 real world noises 2、使用kaggel上的一个小demo#xff1a;CNN模型运行时出现的问题调整采样率时出现bug 3、明确90dB下能否声… 目录 1、今日计划学习内容2、今日学习内容1、add noise to audio clipssignal to noise ratio(SNR)加入 additive white gaussian noise(AWGN)加入 real world noises 2、使用kaggel上的一个小demoCNN模型运行时出现的问题调整采样率时出现bug 3、明确90dB下能否声纹识别4、流量预测 3、实际完成的任务 1、今日计划学习内容 明确90dB下能否进行声纹识别 流量预测模型对比学习 学习时不玩手机
开始今日学习
2、今日学习内容
1、add noise to audio clips
学习如何将噪声加入到audio data中后续可以将不同SNR的噪声加入原始信号样本评估不同噪声条件下的模型性能 首先读取原始audio.wav里面是一段话“leave my dog alone”
import librosa
signal, sr librosa.load(“path/to/audio.wav”)绘制信号图
import matplotlib.pyplot as plt
plt.plot(signal)signal to noise ratio(SNR) RMS是均方根 计算信号的RMS
import numpy as np
RMSmath.sqrt(np.mean(signal**2))dB 20 × log 10 ( RMS ) \text{dB} 20 \times \log_{10}(\text{RMS}) dB20×log10(RMS)
加入 additive white gaussian noise(AWGN)
how to generate AWGN 噪声是服从高斯分布均值为0标准差是 R M S n o i s e RMS_{noise} RMSnoise
noisenp.random.normal(0, STD_n, signal.shape[0])
# np.random.normal() 函数用于生成服从正态分布的随机数
# 生成一个形状与输入信号signal相同的数组其中每个元素都服从均值为 0、方差为 STD_n 的正态分布。生成的噪声图 2. AWGN的频率分析 使用快速傅里叶变化来分析噪声的频率部分
Xnp.fft.rfft(noise)
radius,angleto_polar(X)频率分布非常平稳符合“白”的特征 3. 加入噪声
signal_noise signalnoiseSNR10dB 加入噪声的完整代码
#SNR in dB
#given a signal and desired SNR, this gives the required AWGN what should be added to the signal to get the desired SNR
def get_white_noise(signal,SNR) :#RMS value of signalRMS_smath.sqrt(np.mean(signal**2))#RMS values of noiseRMS_nmath.sqrt(RMS_s**2/(pow(10,SNR/10)))#Additive white gausian noise. Thereore mean0#Because sample length is large (typically 40000)#we can use the population formula for standard daviation.#because mean0 STDRMSSTD_nRMS_nnoisenp.random.normal(0, STD_n, signal.shape[0])return noise
#***convert complex np array to polar arrays (2 apprays; abs and angle)
def to_polar(complex_ar):return np.abs(complex_ar),np.angle(complex_ar)#**********************************
#*************add AWGN noise******
#**********************************
signal_file/home/sleek_eagle/research/emotion/code/audio_processing/signal.wav
signal, sr librosa.load(signal_file)
signalnp.interp(signal, (signal.min(), signal.max()), (-1, 1))
noiseget_white_noise(signal,SNR10)
#analyze the frequency components in the signal
Xnp.fft.rfft(noise)
radius,angleto_polar(X)
plt.plot(radius)
plt.xlabel(FFT coefficient)
plt.ylabel(Magnitude)
plt.show()
signal_noisesignalnoise
plt.plot(signal_noise)
plt.xlabel(Sample number)
plt.ylabel(Amplitude)
plt.show()加入 real world noises
将有噪声的音频加入到原始音频中 我们需要计算原始音频的RMS和噪声音频的RMS为了能得到规定的SNR我们需要修改噪声的RMS值办法就是将每个噪声元素都乘上一个常数这样就能使得噪声的RMS值也乘上一个常数达到需要的噪声RMS。 噪声音频水流的声音 加入噪声的音频 To listen to the signal and noise I used and also to the noise-added audio files that were created by adding noise to the signal, go to
#given a signal, noise (audio) and desired SNR, this gives the noise (scaled version of noise input) that gives the desired SNR
def get_noise_from_sound(signal,noise,SNR):RMS_smath.sqrt(np.mean(signal**2))#required RMS of noiseRMS_nmath.sqrt(RMS_s**2/(pow(10,SNR/10)))#current RMS of noiseRMS_n_currentmath.sqrt(np.mean(noise**2))noisenoise*(RMS_n/RMS_n_current)return noise
#**********************************
#*************add real world noise******
#**********************************signal, sr librosa.load(signal_file)
signalnp.interp(signal, (signal.min(), signal.max()), (-1, 1))
plt.plot(signal)
plt.xlabel(Sample number)
plt.ylabel(Signal amplitude)
plt.show()noise_file/home/sleek_eagle/research/emotion/code/audio_processing/noise.wav
noise, sr librosa.load(noise_file)
noisenp.interp(noise, (noise.min(), noise.max()), (-1, 1))#crop noise if its longer than signal
#for this code len(noise) shold be greater than len(signal)
#it will not work otherwise!
if(len(noise)len(signal)):noisenoise[0:len(signal)]noiseget_noise_from_sound(signal,noise,SNR10)signal_noisesignalnoiseprint(SNR str(20*np.log10(math.sqrt(np.mean(signal**2))/math.sqrt(np.mean(noise**2)))))plt.plot(signal_noise)
plt.xlabel(Sample number)
plt.ylabel(Amplitude)
plt.show()
参考链接 click here
2、使用kaggel上的一个小demoCNN模型
link here
运行时出现的问题
调整采样率时出现bug
代码 import subprocesscommand (for dir in ls -1 noise_path ; do for file in ls -1 noise_path /$dir/*.wav; do sample_rateffprobe -hide_banner -loglevel panic -show_streams $file | grep sample_rate | cut -f2 -d; if [ $sample_rate -ne 16000 ]; then ffmpeg -hide_banner -loglevel panic -y -i $file -ar 16000 temp.wav; mv temp.wav $file; fi; done; done)subprocess.run(command, shellTrue)bug 2023-12-26 10:44:38.782251: I tensorflow/core/platform/cpu_feature_guard.cc:193] This TensorFlow binary is optimized with oneAPI Deep Neural Network Library (oneDNN) to use the following CPU instructions in performance-critical operations: AVX2
To enable them in other operations, rebuild TensorFlow with the appropriate compiler flags.作为一个纯小白问题非常非常的多
subprocess.run是在干嘛通过 Python 来调用 Shell 脚本shell脚本是什么Shell脚本是一种用于编写、执行和自动化操作系统命令和任务的脚本语言。它是一种解释性语言常用于Unix、Linux和类Unix系统中。subprocess.run()函数
函数介绍
subprocess.run(args, *, stdinNone, inputNone, stdoutNone,
stderrNone, capture_outputFalse, shellFalse, cwdNone,
timeoutNone, checkFalse, encodingNone, errorsNone, textNone,
envNone, universal_newlinesNone)别怕这个run()函数很长、很长但并不是所有都需要的我们必要设置的只有第一项args,也就是shell命令 -argsargs参数传入一个列表或者元组如[‘ls’,‘-l’],python会自动拼接成shell命令.[第一个参数是执行的程序其余的是参数]也可以直接就是一个str命令行如果如果传入的是shell命令,则需要另外添加一个参数shellTrue
函数返回class subprocess.CompletedProcess 实在是不知道怎么改这种代码了我的选择是换方法直接使用别的方法实现重采样
3、明确90dB下能否声纹识别
论文添加链接描述 -5dB就相当低了感觉不大可能
4、流量预测 代码链接LTE Cell Traffic Grow and Congestion Forecasting 没有给数据集 后续学习链接How to Use the TimeDistributed Layer in Keras 后续学习方向后续要保证每天一篇相关论文先从有复现的论文读起同时要对流量预测的模型进行学习建模的时候学习pytorch库和keras库
3、实际完成的任务
声纹识别增加噪声的学习 明天继续加油吧 有没有研究生学习搭子或者大佬呀呜呜呜呜
