基于U-Net的自适应音源分离

基于时频域的音源分离模型通常只分离了幅度谱,而忽略了相位信息,使模型只能得到次优解。针对此问题,受U-Net网络结构启发,提出基于U-Net网络的可变形卷积网络（DU-Net）。将一维信号映射到多维空间,采用DU-Net网络自适应提取特征,改进后的网络用于分离人声与伴奏。实验结果表明,所提出的DU-Net网络在分离精度上比以往的分离算法要高。     

基于无标签数据的音源分离

音源分离目前大多采用有监督的深度学习方法,这种方法往往需要利用大量的标签数据进行建模。然而,实际中标签数据并不容易获取且价格昂贵。针对无标签数据的音源分离只能采用有意义的先验知识来弥补标签数据的不足,对此,提出一种基于先验知识的U-Net模型。它既不影响现有卷积体系结构的网络复杂性,也不影响其收敛行为,但能显著改善分离后的音频质量。实验结果表明,所提出的方法的分离效果比传统模型更好。     

基于iPLS和SiPLS算法的人体血清胆红素含量的可见-近红外光谱建模

为了建立血清胆红素(BR,bilirubin)样品总胆红素 (TBIL) 、直接胆红素(DBIL)和间接胆红素(IBIL)近红外(NIR)光谱分析最优模型,利 用可见-NIR透射光谱技术与间隔偏最小二乘法(iPLS)及协合区间偏最小二乘法(SiPLS)算法 相结合对建模区域进行优 选,实现血清光谱特征波段选择,建立光谱与血清BR成分之间的定量预测模型,以均方根误 差(RMSE)作为模型 评价标准。结果表明:SiPLS模型效果更佳,TBIL、DBIL和IBIL的最优 建模波长范围分别为400~536nm、1366~1502 nm和2324~2460nm,400~502nm、608~710nm和1644~1746nm,400~502nm和1746~1848nm; 3种BR最优预测模型的RMSE分别为0.598、0.207和0.386μm ol/L; 波段优选对提高预测结果的准确性有重要的意义;采用SiPLS建立TBIL、DBIL和IBIL定量分 析模 型,不仅可以提高模型的预测精度,而且克服了iPLS单一区间建模的缺点,优选出的特征谱 区还可为设计小型专用光谱分析仪器提供依据。