21、深度学习在语音验证与肺部疾病检测中的应用

深度学习在语音验证与肺部疾病检测中的应用

1. 多传感器下的说话人验证深度学习框架

1.1 时域方程推导

对式 3 进行逆傅里叶变换，可得到如下时域方程：
[g[n, ν_1, ν_2] = 2ν_2\mathrm{sinc}(2\piν_2n) - 2ν_1\mathrm{sinc}(2\piν_1n)]
为确保较低截止频率(ν_1)大于零，且较高截止频率(ν_2)大于较低截止频率，定义边界如下：
[ν_{abs1} = |ν_1|]
[ν_{abs2} = ν_1 + |ν_2 - ν_1|]
这里，这些截止频率由神经网络进行训练，以获得高效的滤波器。(\mathrm{rect}(.))定义为矩形函数，在频域中产生矩形脉冲。通过将窗口函数与确定的函数(g)相乘来进行加窗操作。将参考函数(g)与汉明窗口相乘，得到最终滤波器。汉明窗口函数如下：
[w_{ham}[l] = 0.54 - 0.46 \cos(\frac{2\pi l}{L})]
在式 8 中，将窗口函数与 sincnet 滤波器相乘：
[g_w[n, ν_1, ν_2] = g[n, ν_1, ν_2] \cdot w_{ham}[n]]

1.2 标准 CNN 块

在 Sinc - Net 中，sinc 函数由一组低通和高通滤波器进行参数化，这些滤波器表示为一组权重，通过网络使用反向传播和梯度下降进行优化。在训练期间，根据模型预测值与真实值之间的偏差更新滤波器的权重。误差在网络中反向传播，根据误差相对于权重的梯度再次更新权重。这个过程会重复进行，直到模型收敛到一个令人满意的解。该网络使用 Adam 优化器，这