수학의 길 (3) - 기계 학습 (3) - 기계 학습 알고리즘 - 신경 망 [17]

신경 망 은 함수 적합 도 할 수 있 고 데이터 적합 도 할 수 있 으 며 x 를 함수 의 독립 변수 로 입력 하고 출력 할 데이터 y 를 함수 f (x) 의 출력 으로 할 수 있다.
y = f (x), 우 리 는 x 를 신경 망 에 입력 한 다음 에 y 를 목표 훈련 값 으로 한다. 우 리 는 배경 음악 을 포함 한 음성 에서 배경 음악 을 제거 하 는 간단 한 선형 필 터 를 한다.
모두 완성 후 최종 효과 도 는 다음 과 같 습 니 다.
첫 번 째 줄 은 원래 음성 소리 이 고, 두 번 째 줄 은 배경 음악 이 섞 인 음성 소리 이 며, 세 번 째 줄 은 배경 음악의 음성 을 제거 하 는 것 이다.
소 리 는 물체 의 기계 진동 으로 형 성 된 것 이다.북 으로 북 의 껍질 을 벗 기 고 두 드 려 서 북 의 껍질 이 진동 하여 소 리 를 낸다.활 로 거 문 고 를 당 겨 거문고 줄 이 진동 하여 소 리 를 낸다.피 리 를 불면 피리 속 의 공기 기둥 이 진동 하여 소 리 를 낸다.오디 오 전 류 를 스피커 로 보 내 고 스피커 의 종이 대야 가 진동 을 일 으 켜 소 리 를 낸다.소리 가 발생 하 는 진동 원 을 '음 원' 이 라 고 한다.위 에서 언급 한 것 은 진동 하 는 북 가죽, 거문고 줄, 스피커 가 모두 음 원 이다.가수 의 성대 와 굉 음 을 내 는 제 트 엔진 도 음 원 이다.음 원 에서 나 는 소 리 는 반드시 매질 을 통 해 우리 의 귀 로 전 송 될 수 있다.공 기 는 가장 흔히 볼 수 있 는 매질 이다.다른 매질, 예 를 들 어 물, 금속, 목재 등 은 모두 소 리 를 전파 할 수 있 고 그 전 파 력 은 심지어 공기 보다 더 좋다.예 를 들 어 귀 를 레일 에 가까이 대면 먼 곳 에서 기차 가 운행 하 는 소 리 를 들 을 수 있 는데 이런 소 리 는 바로 레일 을 통 해 들 려 오 는 것 이다.매질 의 도움 없 이 는 사람들 이 소 리 를 들 을 수 없다.예 를 들 어 외층 공간 에서 공기 와 다른 적당 한 매질 이 없 기 때문에 우주인 들 은 직접 대 화 를 할 수 없고 무선 전 파 를 통 해 소 리 를 전달 할 수 밖 에 없다.
'주파수' 는 바로 매 초 동안 진동 을 반복 하 는 횟수 이다.음파 의 주파 수 는 바로 소리의 주파수 이다.주파수 헤르츠 ）。초당 진동 은 1 주일 에 1Hz 이다. 。주파수 의 높 고 낮 음 은 음조 이 고 진폭 의 크기 는 음량 이다.
wav 는 지 정 된 주파수 샘플링, 예 를 들 어 1 초 에 44100 번 샘플링 하고 매번 소리 진동 상 태 를 수집 합 니 다. 디지털 오디 오 시스템 은 음파 파형 을 일련의 바 이 너 리 데이터 로 바 꾸 어 원시 소 리 를 재현 합 니 다. 이 절 차 를 실현 하 는 장 치 는 모델 / 디지털 변환기 (A / D) 입 니 다.그것 은 초당 수만 번 의 속도 로 음파 에 대해 샘플링 을 진행 하 는데, 매번 샘플링 은 원시 아 날로 그 음파 가 어느 순간 에 있 는 상 태 를 기록 하여 샘플 이 라 고 부른다. 일련의 샘플 을 연결 하면 한 단락 의 성 파 를 묘사 할 수 있다.
우 리 는 아래 python 코드 로 배경 음악 과 음성의 통합 을 완성 합 니 다.

#           (  )           
#     ，     
#                  ，          
emptywdata=np.zeros(framerate, dtype=np.short)
new_wave_data=np.hstack((emptywdata,wave_data,wave_data,wave_data,wave_data,wave_data,wave_data,wave_data,wave_data))
wave_data =copy.deepcopy(new_wave_data)
nframes*=8
nframes+=framerate/2
temp_wavedata=np.hstack((fi_wave_data,fi_wave_data))[:len(new_wave_data)]
backrnd=np.random.rand(len(new_wave_data))*10-5
backbase=np.random.rand()*2+1
temp_wavedata=temp_wavedata*backbase+backrnd
new_wave_data=temp_wavedata+new_wave_data

new_wave_data=np.array(new_wave_data)
new_wave_data =new_wave_data.astype(wave_data.dtype)

본 블 로그 의 모든 내용 은 오리지널 이 므 로 전재 할 경우 출처 를 밝 혀 주 십시오.
http://blog.csdn.net/u010255642