weixin_66072154的博客

123123123123

删除项目文件中的 .o 文件之后重新编译就好，或者新建项目重新粘贴复制代码过去也可以。

我们对所做的改进只有一个地方，就是在衰减以后的值溢出的情况下，求新的衰减因子f的方法不同，新的f需要满足output[i]xf'MIN,而不是使用mixing[7.也就是说,使用衰减以后的值output来计算f,而不是原始值mix.使用可变的衰减因子对语音进行衰减，该衰减因子代表了语音的权重，该衰减因子随着数据的变化而变化，当数据溢出时，则相应的使衰减因子变小，使后续的数据在衰减后处于临界值以内，没有溢出时，让衰减因子慢慢增大，使数据变化相对平滑。1.广初始化为f=1。

目前最常见的 Transfomer模型都使用了LN，即层归一化模块位于两个残差模块之间。RNN、LSTM 和 GRU 网络已在序列模型、语言建模、机器翻译等领域中取得不错的效果，循环结构(recuren)的语言模型和编码器-解码器体系结构取得了不错的进展。但是，RNN 固有的顺序属性阻碍了训练样本间的并行化，对于长席列，内存限制将阻碍对训练样本的批量处理。粗暴的抛弃RNN和CNN虽然非常新颖，但是它也使模型丧失了捕捉局部特征的能力，RNN+CNN+Transtformer的结合可能会带来更好的效果。

窗口exe没关。

卡尔曼滤波（Kalman filtering）是一种利用线性系统状态方程，通过系统输入输出观测数据，对系统状态进行最优估计的算法。由于观测数据中包括系统中的噪声和干扰的影响，所以最优估计也可看作是滤波过程。数据滤波是去除噪声还原真实数据的一种数据处理技术，Kalman滤波在测量方差已知的情况下能够从一系列存在测量噪声的数据中，估计动态系统的状态。由于它便于计算机编程实现，并能够对现场采集的数据进行实时的更新和处理，Kalman滤波适用于很多场景。本博客就是针对语音中的噪声进行去噪处理。

1 简介。