墨衍会员
·
AI 创作全网分发
墨衍智能分发
本文由作者通过墨衍一键同步至各平台
1分发平台
1.3w累计阅读
1.3w+平均单平台
已同步平台
优快云
微信公众号
微博
知乎
掘金
百家号
博客园
抖音
小红书
你的文章也可以这样分发
墨衍会员 ¥399起/年，写一次发全网
我也要
WebRtcNs_ProcessCore 降噪处理核心函数
1、分为高频、低频子带进行处理，采样率为8-16K时，一般只用到低频处理。
2、计算输入带噪语音数据帧的能量值。
3、FFT傅里叶变换
4、计算维纳滤波增益，通过直接判决法计算先验信噪比。
theFilter=snrPrior / (self->overdrive+ snrPrior);
5、对维纳增益值根据用户设置的降噪等级，进行下溢与上溢处理。
6、进行维纳滤波，并将增益后的频域数据（频率降噪）通过IFFT转为时域数据。
7、对降噪等级进行判断，如果等级为0 ，则维纳滤波输出则为最后的降噪结果。否则，继续处理。
8、计算维纳滤波后的帧数据能量，并计算与步骤2中的能量比值， gain = (float)sqrt(energy2/ (energy1 + 1.f));
9、当gain值大于0.5，计算因子1，factor1= 1.f + 1.3f * (gain - B_LIM);并判断gain *factor1是否大于1。如果大于1，因子1
【WebRTC】在Android上用NDK编译WebRtc音频增益模块(AGC)，降噪（NS），java调用JNI实现功能
目录 ·········前言 ·········前期工作 ·········编译工作 ·········编码工作（AGC-JAVA） ·········编码工作（AGC-JNI） ·········编码工作（NS-JAVA） ········编码工作（NS-JNI） ·········总结 前言 Android 单独抽取 WebRtc-AGC（音频增益） 模块 ...
WebRTC降噪算法的总结
WebRTC降噪算法的总结
从‘听不清’到‘听得清’：WebRTC ANS噪声抑制算法在移动直播场景下的踩坑与优化
本文深入探讨了WebRTC ANS噪声抑制算法在移动直播场景下的应用与优化。通过分析不同噪声类型的特性，详细介绍了ANS算法的核心原理和参数调优策略，并针对不同移动设备硬件差异提供了定制化解决方案。文章还分享了效果评估方法，帮助开发者实现从‘听不清’到‘听得清’的音频质量提升。
实测对比：WebRTC音频3A模块中，AEC、ANS、AGC哪个效果最明显？
本文通过实测对比WebRTC音频3A模块（AEC、ANS、AGC）在不同环境下的表现，揭示各模块对音质提升的效果差异。测试涵盖标准会议室、车载环境和家庭办公室，提供量化数据和优化配置建议，帮助开发者根据场景选择最佳处理策略，提升实时音频处理质量。
从‘听不清’到‘听得清’：WebRTC噪声抑制(ANS)在移动端语音通话中的调参实战
本文深入探讨了WebRTC噪声抑制(ANS)在移动端语音通话中的调参实战，详细解析了噪声图谱特征、核心算法及场景化参数调优策略。通过维纳滤波框架和动态适配技术，开发者可以在资源受限的设备上实现高效降噪，提升语音通话质量。文章还提供了计算复杂度和内存优化的实用技巧，帮助平衡音质与性能。
从零构建WebRTC APM：3A算法在嵌入式设备上的移植与优化实战
本文详细介绍了如何将WebRTC的3A算法（AEC/ANS/AGC）移植到嵌入式设备并进行优化。通过NEON指令集加速、SpeexDSP轻量化改造等技术，解决了内存不足、主频低等挑战，实现了实时音频处理。适用于智能家居、车载系统等场景，显著提升音频处理性能。
使用WebRTC进行音频降噪
音频降噪是一种常见的信号处理技术，可以有效减少音频中的噪声干扰，提高音质和清晰度。WebRTC（Web实时通信）是一种开放标准的实时通信技术，它可以在Web浏览器中实现音频和视频通信。在WebRTC中，我们可以利用其强大的音频处理功能来实现音频降噪。你可以根据自己的需求，实现更复杂和高效的降噪算法以提升音频质量。最后，我们需要将音频流连接到音频输出设备，以便在浏览器中播放降噪后的音频。在上面的示例中，我们使用了一个简单的算法将输入音频数据直接复制到输出音频数据中。，这会将音频流输出到默认的音频输出设备。
Unity语音+WebRtc降噪（含源码）
unity语音聊天，配合网络函数可实现简单的语音通话。降噪是自己封装的WebRtc的算法，项目中打包了windows和android库，附上源码有需要其他平台的可以自己打包。
Win11专业版破解RDP限制：实现多用户远程桌面协同办公
本文详细介绍了如何在Windows 11专业版上破解RDP限制，实现多用户远程桌面协同办公。通过使用RDPWrap工具，用户可以绕过微软的授权限制，允许多个用户同时登录同一台电脑，提高硬件利用率和团队协作效率。文章包含详细的安装配置步骤、性能优化技巧及常见问题解决方案，适用于需要远程协作的办公场景。
从爱好者到工程师：如何低成本体验RFSoC ZU47DR？性能实测与避坑指南
本文详细介绍了如何低成本体验赛灵思RFSoC ZU47DR芯片，包括二手开发板选购、租赁服务、精简开发环境搭建等实用方案。通过性能实测与避坑指南，帮助爱好者和工程师在有限预算下充分利用这款集成了ARM处理器和FPGA的高性能芯片，降低开发门槛。
RandLA-Net 调通代码1：Windows 11 + Tensorflow 2.4 + S3DIS数据集【踩坑+填坑】
TF不上进啊，学学pytorch
STM32+4G模块+MQTT协议：从零构建稳定可靠的物联网通讯链路
本文详细介绍了如何利用STM32、4G模块和MQTT协议构建稳定可靠的物联网通讯链路。通过硬件选型、AT指令配置和MQTT连接实战，帮助开发者实现低功耗、高可靠性的数据传输，特别适合户外和移动场景应用。
用ADSP-21569+SigmaStudio打造音频处理系统：从硬件连接到实时调参实战
本文详细介绍了如何利用ADSP-21569 DSP芯片和SigmaStudio图形化编程工具构建高性能音频处理系统。从硬件接口配置、信号流设计到实时参数调试，提供工业级开发中的实用技巧，包括低延迟优化、动态参数插值等关键技术，帮助开发者快速实现专业音频处理方案。
Unreal5从入门到精通之一文搞懂Unreal的C++代码编译之谜
我们在开发Unreal项目时，如果时蓝图模板的项目，一般问题不大，因为当你修改完蓝图，点击编译Compile+保存Save，就可以继续开发了。这对于开发者来说也非常友好。但是，如果你使用的C++模板开发项目，代码编译一切都变得魔幻起来，IDE(VS/Rider)里面有编译，编辑器里面也有编译，有什么区别呢？我们来列举几个新手常碰到的问题。1.代码我明明新建了，编辑器里怎么看不到？2.昨天我新家的功能运行的好好的，今天怎么感觉还是老逻辑。或者昨天加的新代码，新蓝图不见了。
嵌入式内存管理之“LittleFS文件系统”开发（附LittleFS项目源码）
本文介绍了如何在嵌入式系统中实现 LittleFS 文件系统，并结合 Flash 存储进行数据管理。通过详细的代码示例，展示了如何配置、挂载 LittleFS 文件系统，并进行文件操作，如读取、写入和更新数据。特别地，博客通过实际应用演示了如何实现启动计数功能，以及如何处理文件系统的格式化和挂载过程。该示例帮助读者掌握在资源受限的嵌入式环境中实现高效文件存储管理的关键技术。
【误码率仿真】基于matlab 小波变换OFDM误码率仿真
其中，与传统的 OFDM 相比，小波变换 OFDM 在进行调制和解调时，使用的是小波变换函数。需要注意的是，由于小波变换函数将频域信号转换为时域信号，因此与传统 OFDM 不同，小波变换 OFDM 中的信号需要在时域上添加循环前缀。与传统的 OFDM 不同，小波变换 OFDM 使用小波函数作为基函数，而非正弦函数作为基函数，因此可以在保持子载波正交性的同时，让子载波之间的带宽变得更加均匀。在频域进行信号加权，然后进行小波逆变换，得到时域信号。在接收端进行信号接收，去掉循环前缀并进行小波变换得到频域信号。
VB摄像头监控
该VB模块可对摄像头捕获的画面进行录像等，可在创建的窗口进行控制
Camera2Demo
在Camera2 的基础上进行封装，使得Camera2一堆初始化逻辑与Activity分离，降低耦合度，完成预览拍照并保存的操作
深度学习工具包 DeepLearningToolbox
深度学习工具包Deprecation notice.-----This toolbox is outdated and no longer maintained.There are much better tools available for deep learning than this toolbox, e.g. [Theano](http://deeplearning.net/software/theano/), [torch](http://torch.ch/) or [tensorflow](http://www.tensorflow.org/)I would suggest you use one of the tools mentioned above rather than use this toolbox.Best, Rasmus.DeepLearnToolbox================A Matlab toolbox for Deep Learning.Deep Learning is a new subfield of machine learning that focuses on learning deep hierarchical models of data.It is inspired by the human brain's apparent deep (layered, hierarchical) architecture.A good overview of the theory of Deep Learning theory is[Learning Deep Architectures for AI](http://www.iro.umontreal.ca/~bengioy/papers/ftml_book.pdf)For a more informal introduction, see the following videos by Geoffrey Hinton and Andrew Ng.* [The Next Generation of Neural Networks](http://www.youtube.com/watch?v=AyzOUbkUf3M) (Hinton, 2007)* [Recent Developments in Deep Learning](http://www.youtube.com/watch?v=VdIURAu1-aU) (Hinton, 2010)* [Unsupervised Feature Learning and Deep Learning](http://www.youtube.com/watch?v=ZmNOAtZIgIk) (Ng, 2011)If you use this toolbox in your research please cite [Prediction as a candidate for learning deep hierarchical models of data](http://www2.imm.dtu.dk/pubdb/views/publication_details.php?id=6284)```@MASTERSTHESIS\{IMM2012-06284, author = "R. B. Palm", title = "Prediction as a candidate for learning deep hierarchical models of data", year = "2012",}```Contact: rasmusbergpalm at gmail dot comDirectories included in the toolbox-----------------------------------`NN/` - A library for Feedforward Backpropagation Neural Networks`CNN/` - A library for Convolutional Neural Networks`DBN/` - A library for Deep Belief Networks`SAE/` - A library for Stacked Auto-Encoders`CAE/` - A library for Convolutional Auto-Encoders`util/` - Utility functions used by the libraries`data/` - Data used by the examples`tests/` - unit tests to verify toolbox is workingFor references on each library check REFS.mdSetup-----1. Download.2. addpath(genpath('DeepLearnToolbox'));Example: Deep Belief Network---------------------```matlabfunction test_example_DBNload mnist_uint8;train_x = double(train_x) / 255;test_x = double(test_x) / 255;train_y = double(train_y);test_y = double(test_y);%% ex1 train a 100 hidden unit RBM and visualize its weightsrand('state',0)dbn.sizes = [100];opts.numepochs = 1;opts.batchsize = 100;opts.momentum = 0;opts.alpha = 1;dbn = dbnsetup(dbn, train_x, opts);dbn = dbntrain(dbn, train_x, opts);figure; visualize(dbn.rbm{1}.W'); % Visualize the RBM weights%% ex2 train a 100-100 hidden unit DBN and use its weights to initialize a NNrand('state',0)%train dbndbn.sizes = [100 100];opts.numepochs = 1;opts.batchsize = 100;opts.momentum = 0;opts.alpha = 1;dbn = dbnsetup(dbn, train_x, opts);dbn = dbntrain(dbn, train_x, opts);%unfold dbn to nnnn = dbnunfoldtonn(dbn, 10);nn.activation_function = 'sigm';%train nnopts.numepochs = 1;opts.batchsize = 100;nn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.10, 'Too big error');```Example: Stacked Auto-Encoders---------------------```matlabfunction test_example_SAEload mnist_uint8;train_x = double(train_x)/255;test_x = double(test_x)/255;train_y = double(train_y);test_y = double(test_y);%% ex1 train a 100 hidden unit SDAE and use it to initialize a FFNN% Setup and train a stacked denoising autoencoder (SDAE)rand('state',0)sae = saesetup([784 100]);sae.ae{1}.activation_function = 'sigm';sae.ae{1}.learningRate = 1;sae.ae{1}.inputZeroMaskedFraction = 0.5;opts.numepochs = 1;opts.batchsize = 100;sae = saetrain(sae, train_x, opts);visualize(sae.ae{1}.W{1}(:,2:end)')% Use the SDAE to initialize a FFNNnn = nnsetup([784 100 10]);nn.activation_function = 'sigm';nn.learningRate = 1;nn.W{1} = sae.ae{1}.W{1};% Train the FFNNopts.numepochs = 1;opts.batchsize = 100;nn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.16, 'Too big error');```Example: Convolutional Neural Nets---------------------```matlabfunction test_example_CNNload mnist_uint8;train_x = double(reshape(train_x',28,28,60000))/255;test_x = double(reshape(test_x',28,28,10000))/255;train_y = double(train_y');test_y = double(test_y');%% ex1 Train a 6c-2s-12c-2s Convolutional neural network %will run 1 epoch in about 200 second and get around 11% error. %With 100 epochs you'll get around 1.2% errorrand('state',0)cnn.layers = { struct('type', 'i') %input layer struct('type', 'c', 'outputmaps', 6, 'kernelsize', 5) %convolution layer struct('type', 's', 'scale', 2) %sub sampling layer struct('type', 'c', 'outputmaps', 12, 'kernelsize', 5) %convolution layer struct('type', 's', 'scale', 2) %subsampling layer};cnn = cnnsetup(cnn, train_x, train_y);opts.alpha = 1;opts.batchsize = 50;opts.numepochs = 1;cnn = cnntrain(cnn, train_x, train_y, opts);[er, bad] = cnntest(cnn, test_x, test_y);%plot mean squared errorfigure; plot(cnn.rL);assert(er<0.12, 'Too big error');```Example: Neural Networks---------------------```matlabfunction test_example_NNload mnist_uint8;train_x = double(train_x) / 255;test_x = double(test_x) / 255;train_y = double(train_y);test_y = double(test_y);% normalize[train_x, mu, sigma] = zscore(train_x);test_x = normalize(test_x, mu, sigma);%% ex1 vanilla neural netrand('state',0)nn = nnsetup([784 100 10]);opts.numepochs = 1; % Number of full sweeps through dataopts.batchsize = 100; % Take a mean gradient step over this many samples[nn, L] = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.08, 'Too big error');%% ex2 neural net with L2 weight decayrand('state',0)nn = nnsetup([784 100 10]);nn.weightPenaltyL2 = 1e-4; % L2 weight decayopts.numepochs = 1; % Number of full sweeps through dataopts.batchsize = 100; % Take a mean gradient step over this many samplesnn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');%% ex3 neural net with dropoutrand('state',0)nn = nnsetup([784 100 10]);nn.dropoutFraction = 0.5; % Dropout fraction opts.numepochs = 1; % Number of full sweeps through dataopts.batchsize = 100; % Take a mean gradient step over this many samplesnn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');%% ex4 neural net with sigmoid activation functionrand('state',0)nn = nnsetup([784 100 10]);nn.activation_function = 'sigm'; % Sigmoid activation functionnn.learningRate = 1; % Sigm require a lower learning rateopts.numepochs = 1; % Number of full sweeps through dataopts.batchsize = 100; % Take a mean gradient step over this many samplesnn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');%% ex5 plotting functionalityrand('state',0)nn = nnsetup([784 20 10]);opts.numepochs = 5; % Number of full sweeps through datann.output = 'softmax'; % use softmax outputopts.batchsize = 1000; % Take a mean gradient step over this many samplesopts.plot = 1; % enable plottingnn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');%% ex6 neural net with sigmoid activation and plotting of validation and training error% split training data into training and validation datavx = train_x(1:10000,:);tx = train_x(10001:end,:);vy = train_y(1:10000,:);ty = train_y(10001:end,:);rand('state',0)nn = nnsetup([784 20 10]); nn.output = 'softmax'; % use softmax outputopts.numepochs = 5; % Number of full sweeps through dataopts.batchsize = 1000; % Take a mean gradient step over this many samplesopts.plot = 1; % enable plottingnn = nntrain(nn, tx, ty, opts, vx, vy); % nntrain takes validation set as last two arguments (optionally)[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');```[](https://bitdeli.com/free "Bitdeli Badge")
怀旧版电脑GBC模拟器
再现原版GBC掌机的界面，电脑运行连游戏界面都一样大小，很怀旧，很真实，（英文版）强烈推荐，很小的文件，很难才找到的。
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
7533
扫一扫
