1) noise floor estimation
噪声基底估计
2) noise estimation
噪声估计
1.
Speech enhancement with noise estimation in bark domain;
一种基于巴克域噪声估计的语音增强算法
2.
During the noise estimation,the estimation of its spectrum is updated by tracking the speech-absent frames.
噪声估计过程中通过跟踪带噪语音帧来更新噪声估计。
3.
After capturing theneighborhoods of discontinuity in the image and acquiring their spatial features based on noise estimation,adaptive optimal.
它首先通过噪声估计捕捉图象中可能存在边界的邻域，然后获取邻域中有关边界的空间参数，由此选择最佳微分滤波算子对相应邻域进行滤波，以获取边界点。
3) Noise estimate
噪声估计
1.
The method can track eigenvalue minima on each eigenvector without any distinction between the speech activity and the speech pause,thus updating the noise estimate throughout the entire signal.
针对传统子空间方法中,采用语音活动检测(Voice activity detection,VAD)估计噪声的缺陷,提出了一种基于子空间域的最小统计噪声估计算法。
2.
When the statistics of noise are changing or signal-noise-ratio(SNR)is low,the noise estimated value by voice activity detection is not exact.
结合语音存在概率对带噪语音协方差矩阵在每个特征向量上的特征值递归平滑得到噪声估计,可以在每一帧内更新噪声特征值。
4) noise floor
噪声基底
1.
This paper adopts the spectrum averaging method to analyze the effects of clock jitter and the additive white noise to the noise floor of ADC blocks,and derives the noise floor formula,which is validated by computer simulation.
采用频谱平均法分析时钟抖动和加性白噪声对ADC(A/D转换器)模块噪声基底的影响,推导出噪声基底的数学公式,并通过仿真验证了其正确性。
5) white noise estimation
白噪声估计
1.
By applying white noise estimation theory in Krein space,a sufficient and necessary condition on the existence of an H∞ fault estimator was derived,and a solution was obtained in terms of matrix Riccati equation.
首先将H∞故障估计问题转化为二次型问题,引入相应的Krein空间系统,然后应用Krein空间白噪声估计理论,得到了问题可解的充要条件,并通过矩阵Riccati方程设计H∞故障估计器。
2.
Based on Kalman filtering and white noise estimation theory, reduced-order Wiener state estimator for a canonical form of descriptor discrete- time stochastic linear systems is proposed by applying modern time series analysis approach.
应用现代时间序列分析方法,基于Kalman滤波和白噪声估计理论,对于广义离散随机线性系统的一种典范型,提出降阶Wiener状态估值器,可统一处理滤波、平滑和预报问题,并且能减少计算负担,便于实时应用。
6) noise estimator
噪声估计器
补充资料：Bayes估计量
Bayes估计量
Bayesian estimator
Bayes估计量【Bayesi助始廿ma.件;D自狱.。眨..界..] 用BayeS方法(Bayesian aPProach)由观察值对一未知参数所作的估计.统计问题使用这样的方法时，一般都假定未知参数所0 gR“是一具有给定先验分布7r=武do)的随机变量，决策空间D与集合0重合.且损失L(0，d)表示变量0与估计d的偏离.因此，函数L勿，d)通常假定为有形式L勿，d)=a(e)又(口一d)，其中又是误差向量0一d的某个非负函数，若k二1，则常取又勿一d)={0一d}“(“>0).最有用且在数学上最方便的是平方损失函数L(口，d)=}‘一d1’.对这一损失函数，Bayes估计量(Ba卿决策函教(Bavesian dedsion function))占’二亡厂(x)定义为使最小总损失 !;‘p‘二·“，一，‘薯必，“一”‘·’2’〕口‘么，叮‘““，达到的函数，或与之等价，了是使最小条件损失 ，母‘E{[口一占(x)]2+“)达到的函数，由此推出，在平方损失函数的场合，B竹es估计量与后验均值占‘(x)=E勿{x)相等，而Bayesj双险(Bayes risk)为 。‘二，占‘)二E!D矿夕}x)]‘此处O(0}劝是后验分布的方差: o(口{x)二任{{口一E(0{x)12!，、}. 例设二=(x，，，二，戈)，这里x，，，二，x。为具正态分布N勿，。’)的独立同分布变量，护己知，而未知参数0有正态分布N扭，铲).因为当x给定时口的后验分布为正态N(拜。，T:一、其中 n又。2一十“下一2 灿。二一—，，。一二n口‘一奋了一_ n口一汁~下且万=(x，十一+凡)/。，可知在平方损失函数{分一引’之下，Bayes估计量为占’(x)=线，而Bayes风险则为《二犷六伽铲十护).AH川畔即撰[补注]
说明：补充资料仅用于学习参考，请勿用于其它任何用途。
参考词条