文件名称：信噪比matlab代码详解-Perceptual-Loss-Function-Model:感知损失功能模型
文件大小：75KB
文件格式：ZIP
更新时间：2024-06-15 13:57:08
系统开源
信噪比matlab代码详解评估基于感知的语音增强损失 请在这里找到引用论文和脚本的脚本。 在此存储库中，我们提供用于训练/验证数据准备（包括感知加权滤波器的幅度响应），网络训练/验证（包括感知加权滤波器损耗和基于PESQ的损耗），网络推断，增强的语音波形的源代码。重建和测量。 该代码是基于由Juan Manuel Mart´ın-Donas编写的感知加权滤波器损失项目和PMSQE的项目。 然后由赵浩然进行整合和修改。 介绍 在该项目中，针对语音增强应用评估了两个基准损失和两个基于感知的损失。 将均方误差（MSE）损失和对数功率MSE损失作为基准进行测试。 对感知加权滤波器损失和基于PESQ的损失进行评估和比较。 先决条件 2014a或更高版本 3.6 CPU或NVIDIA GPU + 9.0 7.0.5 入门 安装 安装1.14.0和2.3.1 需要安装一些Python软件包，请在Python脚本中查看详细信息。 安装 数据集 请注意，在本项目中，干净的语音信号是从（降采样到8 kHz）中提取的，而噪声信号是从数据库中提取的。 为了在此项目中运行脚本，假定上述数据库在本地可用。 训练和
【文件预览】：
Perceptual-Loss-Function-Model-master
----GitHub_mask_dnn_log_power_MSE_train.py(11KB)
----training results()
--------.gitkeep(1B)
----GitHubTrain_part_3_TrainValidDataPrepare.m(10KB)
----train()
--------.gitkeep(1B)
----GitHubTrain_part_2_WghFilterResponse.m(3KB)
----perceptual_constants.py(6KB)
----bark_matrix_8k.mat(932B)
----GitHub_all_test_mask_dnn_log_power_MSE.py(9KB)
----GitHub_mask_dnn_weight_filter_train.py(12KB)
----training data()
--------.gitkeep(1B)
----pmsqe.py(23KB)
----GitHubTrain_part_0_ResamplingTheNoiseFiles.m(2KB)
----GitHubTest_GenerateAudioFiles.m(9KB)
----GitHub_mask_dnn_PESQ_train.py(12KB)
----test results()
--------.gitkeep(1B)
----test data()
--------.gitkeep(1B)
----generated_wavs()
--------.gitkeep(1B)
----generated_files()
---------31()
---------36()
---------41()
---------46()
---------21()
---------26()
----GitHubTrain_part_1_CleanAndNoisyMixture.m(7KB)
----measurements()
--------.gitkeep(1B)
----README.md(6KB)
----util()
--------lpc_analysis_for_weight_filt.m(4KB)
--------actlev.mexw64(46KB)
--------saveshort.m(1KB)
--------actlev.m(1KB)
----GitHubTest_GenerateInputData.m(7KB)
----bark_matrix_16k.mat(1KB)
----GitHub_mask_dnn_baseline_train.py(10KB)
----Measurement.py(10KB)
----GitHub_all_test_mask_dnn_weight_filter.py(9KB)
----GitHub_all_test_mask_dnn_baseline.py(8KB)
----Audio Data()
--------.gitkeep(1B)
----GitHub_all_test_mask_dnn_PESQ.py(10KB)