manmanxiaowugun
manmanxiaowugun

语音识别MFCC系列（一）——连续信号、傅里叶变换

看了很多傅里叶变换（连续信号和离散信号）的博客，都写的不是很清楚，有些地方可能有误，我在查阅了书籍和大量资料以后，争取能用前后标注一致的公式把相关内容（帕斯瓦尔公式，能量信号，功率信号，能量密度谱，功率频谱等）讲清楚，说正确。最好先看连续信号再看离散信号哦

连续信号的请看语音识别MFCC系列（一）——连续信号、傅里叶变换

离散信号的请看语音识别MFCC系列（二）——离散信号、离散傅里叶变换

本文分别按顺序介绍，如果想弄懂，还是按顺序耐心看下去比较好，不过还是得有点数学功底的啦。

  • 连续        周期   信号的傅里叶  级数
  • 连续     非周期  信号的傅里叶  变换
  • 连续        周期   信号的傅里叶  变换

一、什么是傅里叶变换？

傅里叶变换就是将一个信号波形分为多个不同频率的余弦波形，成为频率分量。每个频率的余弦波形都有其对应的频率、幅值、相位。如下图所示，黑色的是原信号波形，其他颜色的均为频率分量，直线代表该频率分量幅值为0。

语音识别MFCC系列（一）——连续信号、傅里叶变换_第1张图片

二、连续周期信号的傅里叶级数

1. 傅里叶级数用下式表示，x\left ( t \right )为连续周期信号，周期为T_0，可以表示为多个频率分量之和，注意角频率分辨度\omega _0= \frac{2 \pi}{T_0}：

                                                  x( t ) = \frac{a _ { 0 }}{2} + \sum _ { n = 1 } ^ { \infty } \left[ a _ { n } \cos ( n \omega_0 t ) + b _ { n } \sin \left( n \omega _ { 0 } t \right) \right]

其中

 

                                                                \begin{align*} &a _ { 0 } = \frac { 2 } { T _ { 0 } } \int _ { - T _ { 0 } /2 } ^ {T _ { 0 } /2 }x ( t ) d t \\ &a _ { n } = \frac { 2 } { T _ { 0 } } \int _ { - T _ { 0 } /2 } ^ {T _ { 0 } /2 }x ( t ) \cos n \omega_0 t d t \\ &b _ { n } = \frac { 2 } { T _ { 0 } } \int _ { - T _ { 0 } /2 } ^ {T _ { 0 } /2 }x ( t ) \sin n \omega_0 t d t \end{align*}

2. 将傅里叶级数换一种表达方式如下：

                                                         x ( t ) = \frac{A_0}{2} + \sum _ { n = 1 } ^ { \infty } A _ { n } \cos \left( n \omega _ { 0 } t + \varphi _ { n } \right)

其中

                                                                      \begin{align*} &A_0=a_0 \\ &A_n=\sqrt{a_n^2+b_n^2} \\ &\varphi _n=-arctan \frac{b_n}{a_n} \end{align*}

先引入欧拉公式：

                                                                      e ^ { - i \theta } = \cos \theta - i \sin \theta

那么

                                                                      \cos \theta = \frac{e ^ { i \theta } + e ^ { - i \theta }}{2}

3. 那么引入傅里叶级数的复指数形式：

                                                  \begin{align*}x ( t ) &= \frac{A_0}{2} + \sum _ { n = 1 } ^ { \infty } \frac{A _ { n } }{2}\left [ e ^ { j \left ( n \omega _ { 0 } t +\varphi _ { n } \right ) } + e ^ {- j \left ( n \omega _ { 0 } t +\varphi _ { n } \right ) } \right ]\\ &= \frac{1 }{2}\sum _ { n = -\infty } ^ { \infty } A _ { n } e ^ { j \varphi _ { n }} e ^ { j n \omega _ { 0 } t } =\sum _ { n = -\infty } ^ { \infty } X\left ( n \omega _ { 0 } \right )e ^ { j n \omega _ { 0 } t } \end{align*}

其中X\left ( n \omega _ { 0 } \right )为复傅里叶系数：

                                        \begin{align*}X\left ( n \omega _ { 0 } \right ) &=\frac{1 }{2} A _ { n } e ^ { j \varphi _ { n }}= \frac{1 }{2}\left [ A_n \cos \varphi _n + j A_n \sin \varphi _n \right ]= \frac{1 }{2}(a_n-jb_n)\\ &= \frac { 1 } { T _ { 0 } } \int _ { - T _ { 0 } /2 } ^ {T _ { 0 } /2 }x ( t ) \cos n \omega_0 t d t -j\frac { 1 } { T _ { 0 } } \int _ { - T _ { 0 } /2 } ^ {T _ { 0 } /2 }x ( t ) \sin n \omega_0 t d t \\ &= \frac { 1 } { T _ { 0 } } \int _ { - T _ { 0 } /2 } ^ {T _ { 0 } /2 }x ( t ) e ^ {- j n \omega _ { 0 } t } d t\end{align*}

注意，因为\cos n \omega_0 t为n的偶函数，X\left ( n \omega _ { 0 } \right )的实轴\frac{1 }{2} a _ { n }=\frac {1 } { T _ { 0 } } \int _ { - T _ { 0 } /2 } ^ {T _ { 0 } /2 }x ( t ) \cos n \omega_0 t d t也为n的偶函数，同理\sin n \omega_0 t为n的奇函数，X\left ( n \omega _ { 0 } \right )的虚轴- \frac{1 }{2} b _ { n }=- \frac {1 } { T _ { 0 } } \int _ { - T _ { 0 } /2 } ^ {T _ { 0 } /2 }x ( t ) \sin n \omega_0 t d t也为n的奇函数，那么正频率X\left ( n \omega _ { 0 } \right )为负频率X\left ( -n \omega _ { 0 } \right )的共轭，即X\left ( n \omega _ { 0 } \right )=X^*\left ( -n \omega _ { 0 } \right )，这个概念很重要，引申到离散傅里叶变换也很重要。

4. 连续周期信号的频谱

把\left | X\left ( n \omega _ { 0 } \right ) \right | =\frac{1 }{2}A _ { n }随着频率变化的分布称为幅值频谱，为轴对称哦。注意傅里叶系数不等同于频率分量的波形峰值哦，直流分量的傅里叶系数等于该分量的波形峰值，其余频率分量的傅里叶系数等于该分量的波形峰值的一半，这里的负频率只是数学上的一种形式。

5. 连续周期信号的帕斯瓦尔公式

首先，如果把信号x\left ( t \right )视为加在1\Omega电阻两端的电压或通过的电流，那么电阻上消耗的平均功率为

                                                      \begin{align*}p &=\frac { 1 } { T _ { 0 } } \int _ { - \frac { T _ { 0 } } { 2 } } ^ { \frac { T _ { 0 } } { 2 } }\left | x ( t ) \right | ^ { 2 }d t \\ &= \frac { 1 } { T _ { 0 } } \int _ { - \frac { T _ { 0 } } { 2 } } ^ { \frac { T _ { 0 } } { 2 } } \left [ \frac{A_0}{2} + \sum _ { n = 1 } ^ { \infty } A _ { n } \cos \left( n \omega _ { 0 } t + \varphi _ { n } \right)\right ] ^ { 2 }d t \\ &= \left( \frac { A _ { 0 } } { 2 } \right) ^ { 2 } + \sum _ { n = 1 } ^ { \infty } \frac { 1 } { 2 } A _ { n } ^ { 2 } \\ &= \sum _ { n = - \infty } ^ { \infty } \left | X\left ( n \omega _ { 0 } \right ) \right | ^ { 2 } \end{align*}

平均功率p为有限值就是功率信号，很明显连续周期信号为功率信号（能量信号一会儿会介绍）。

连续周期信号的帕斯瓦尔公式就是上式的第一行和第四行，是针对功率的，代表一个周期信号的平均总功率等于它的全部谐波分量的平均功率之和。

功率频谱（周期信号的，别的功率信号我不知道）就指的是各频率分量的平均功率，即\left | X\left ( n \omega _ { 0 } \right ) \right | ^ { 2 }。

三、连续非周期信号的傅里叶变换

1.连续周期矩阵脉冲信号的傅里叶级数

语音识别MFCC系列（一）——连续信号、傅里叶变换_第2张图片

                                             X\left ( n \omega _ { 0 } \right ) = \frac { E _ { \tau } } { T _ { 0 } } \frac { \sin \frac { 1 } { 2 } n \omega _ { 0 } \tau } { \frac { 1 } { 2 } n \omega _ { 0 } \tau }=\frac { E \tau } { T _ { 0 } } S a \left( \frac { n \omega _ { 0 } \tau } { 2 } \right) \quad n = 0 , \pm 1 , \pm 2 , \cdots

如上图所知，频谱间隔为\omega _0=\frac{2\pi}{T_0}，与T_0成反比，第一个过零点为n\omega _0 = \frac { 2 \pi } { \tau }，与\tau成反比，傅里叶系数的幅值最大值为\frac { E \tau } { T _ { 0 } }，与T_0成反比。那么当T_0变得很大，\tau不变时，x\left ( t \right )就变成连续非周期信号，频谱间隔会很小，第一个过零点位置不变，那么频谱会变得很密集，直到变成连续的，但这时傅里叶系数的幅值最大值会非常小。

2. 连续非周期信号的傅里叶变换

为了克服T_0对X\left ( n \omega _ { 0 } \right )的影响，引入T_0X\left ( n \omega _ { 0 } \right )=\frac{2\pi X\left ( n \omega _ { 0 } \right )}{\omega _ { 0 }}，因其含有单位角频率所具有的意义，成为频谱密度函数，简称频谱。注意非周期信号的频谱是乘过T_0的。

将x\left ( t \right )按周期T_0进行周期性延拓为\hat { x } ( t )，得到\hat { x } ( t )的傅里叶级数：

                                                                      \hat { x } ( t ) = \sum _ { n = - \infty } ^ { \infty } \hat { X } \left( n \omega _ { 0 } \right) e ^ { j n \omega _ { 0 } t }

                                                                 \hat { X } \left( n \omega _ { 0 } \right) = \frac { 1 } { T _ { 0 } } \int _ { - \frac { T_0 } { 2 } } ^ { \frac { T _ { 0 } } { 2 } } \hat { x } ( t ) \mathrm { e } ^ { - \mathrm { j } n \omega _ { 0 } t } \mathrm { d } t

我们需要：

                                                                  T_0 \hat { X } \left( n \omega _ { 0 } \right) = \int _ { - \frac { T_0 } { 2 } } ^ { \frac { T _ { 0 } } { 2 } } \hat { x } ( t ) \mathrm { e } ^ { - \mathrm { j } n \omega _ { 0 } t } \mathrm { d } t

当T _ { 0 } \rightarrow \infty时，\hat { x } ( t ) \rightarrow x ( t )，\hat { X } \left( n \omega _ { 0 } \right) \rightarrow X \left( n \omega _ { 0 } \right)，\omega _ { 0 } \rightarrow d \omega，n w _ { 0 } \rightarrow \omega，T_0 \hat { X } \left( n \omega _ { 0 } \right)成为连续的频谱密度函数，记为X ( \omega )

                                                                       X ( \omega ) = \int _ { - \infty } ^ { \infty } x ( t ) e ^ { - j \omega t } d t

                                    x ( t ) = \lim _ { T _ { 0 } \rightarrow \infty } \sum _ { n = - \infty } ^ { \infty } \hat { X } \left( n \omega _ { 0 } \right) e ^ { \mathrm { j } n \omega _ { 0 } t }= \lim _ { T _ { 0 } \rightarrow \infty } \sum _ { n = - \infty } ^ { \infty } \frac { 1 } { 2 \pi } T _ { 0 } \hat { X } \left( n \omega _ { 0 } \right) e ^ { \mathrm { j } n w _ { 0 } t } \omega _ { 0 }

因此

                                                                      x ( t ) = \frac { 1 } { 2 \pi } \int _ { - \infty } ^ { \infty } X ( \omega ) e ^ { \mathrm { j } \omega t } \mathrm { d } \omega

上述\mathscr { F } [ x ( t ) ] = X ( \omega )即为傅里叶变换，\mathscr { F } ^ { - 1 } [ X ( \omega ) ] = x ( t )即为傅里叶逆变换。

                              \begin{align*}x ( t ) &= \frac { 1 } { 2 \pi } \int _ { - \infty } ^ { \infty } X ( \omega ) e ^ { \mathrm { j } \omega t } \mathrm { d } \omega= \frac { 1 } { 2 \pi } \int _ { - \infty } ^ { \infty } | X ( \omega ) | \mathrm { e } ^ { j [ \omega t + \varphi ( \omega ) ] } d \omega\\ &= \frac { 1 } { 2 \pi } \int _ { - \infty } ^ { \infty } | X ( \omega ) | \cos [ \omega t + \varphi ( \omega ) ] d \omega+ \frac { j } { 2 \pi } \int _ { - \infty } ^ { \infty } | X ( \omega ) | \sin [ \omega t + \varphi ( \omega ) ] d \omega \end{align*}

因为第一部分为偶函数，第二部分为奇函数，所以：

                                                         x ( t ) = \frac { 1 } { \pi } \int _ { 0 } ^ { \infty } | X ( \omega ) | \cos [ \omega t + \varphi ( \omega ) ] d \omega

表明一个非周期信号包含了频率从零到无限大的一切频率的余弦分量，而各分量的波形峰值\frac { 1 } { \pi } | X ( \omega ) | d \omega是无穷小量，因此与周期信号不一样，频谱不能用幅值表示，而用频谱密度函数X ( \omega )表示，可看做单位频率的振幅。

3. 能量信号的帕斯瓦尔公式

                                                         \int _ { - \infty} ^ { \infty } \left |x( t ) \right | ^ { 2 } d t =\frac { 1 } { 2\pi }\int _ { - \infty} ^ { \infty }\left | X\left ( \omega \right ) \right | ^ { 2 } d \omega

证明不写了，就是时域相乘对应频域卷积，然后用上面那些公式硬算。很明显部分连续非周期信号（比如在时域上长度有限的矩阵脉冲信号）为能量信号，就是上面这个式子能求出具体值，极限存在。那么连续能量信号的\left | X\left ( \omega \right ) \right | ^ { 2 }或者\left | X\left ( \omega \right ) \right | ^ { 2 }/\left ( 2\pi \right )为能量密度谱。和之前的连续功率信号对比一下，功率信号的\left | X\left ( n \omega _ { 0 } \right ) \right | ^ { 2 }为功率频谱哦！

因为能量密度谱是偶函数，所以信号的总能量为

                                                                E=\frac { 1 } { \pi }\int _ {0} ^ { \infty }\left | X\left ( \omega \right ) \right | ^ { 2 } d \omega

四、连续周期信号的傅里叶变换

                     X ( \omega ) =\mathscr { F } [ x ( t ) ] = \mathscr { F } \left[ \sum _ { n = - \infty } ^ { \infty } X \left( n \omega _ { 0 } \right) e ^ { j w _ { 0 } t } \right] = \sum _ { n = - \infty } ^ { \infty } X \left( n \omega _ { 0 } \right) \mathscr { F } \left[ e ^ { j n \omega _ { 0 } t } \right]

                                       X( \omega)= \sum _ { n = - \infty } ^ { \infty } 2 \pi X \left( n \omega _ { 0 } \right) \delta \left( \omega - n \omega _ { 0 } \right)

周期信号的傅里叶变换（频谱密度函数，不是傅里叶级数哦），由无穷多个冲激函数组成，这些冲激函数位于周期信号的各谐波频率n\omega _0 \quad n = 0 , \pm 1 , \pm 2 , \cdots处，其强度为傅里叶级数X \left( n \omega _ { 0 } \right)的2 \pi倍。

你可能感兴趣的:(语音识别)

  • AI 大模型应用数据中心建设：高性能计算与存储架构 AI智能涌现深度研究 AI大模型应用入门实战与进阶javapythonjavascriptkotlingolang架构人工智能
    AI大模型、数据中心、高性能计算、存储架构、分布式训练、GPU加速、数据管理1.背景介绍近年来，人工智能（AI）技术取得了飞速发展，特别是深度学习模型的突破性进展，催生了一系列基于大规模数据训练的强大AI模型，例如GPT-3、BERT、DALL-E等。这些AI大模型在自然语言处理、计算机视觉、语音识别等领域展现出强大的应用潜力，但也对计算资源和数据存储提出了极高的要求。传统的计算架构难以满足AI大
  • 一个简单的语音识别实现---百度在线语音识别REST API SDK（Python）简单使用 DerrickOzil 语音识别pythonsdk语音识别
    百度在线语音识别RESTAPISDK（Python）简单使用首先申请开发者权限注册开发者信息完成注册创建新应用下载SDK并查看key在应用管理中，选择查看key，记录AppID、APIKey、SecretKey三个参数值。测试音频链接：http://pan.baidu.com/s/1o8Ue4B4密码：o5r1]注意事项音频格式限制pcm（不压缩）、wav、amr采样频率及位数支持评测8k/16k
  • AI大模型从入门到精通，2025终极指南！好卷啊，又不能躺平，只能悄悄卷你们了！ 大模型教程 人工智能大模型训练LLM知识库大模型大模型入门大模型学习
    什么是AI大模型？AI大模型是指使用大规模数据和强大的计算能力训练出来的人工智能模型。这些模型通常具有高度的准确性和泛化能力，可以应用于各种领域，如自然语言处理、图像识别、语音识别等。为什么要学AI大模型？2024人工智能大模型的技术岗位与能力培养随着人工智能技术的迅速发展和应用，大模型作为其中的重要组成部分，正逐渐成为推动人工智能发展的重要引擎。大模型以其强大的数据处理和模式识别能力，广泛应用于
  • FireRedASR：精准识别普通话、方言和歌曲歌词！小红书开源工业级自动语音识别模型 蚝油菜花 每日AI项目与应用实例语音识别人工智能人工智能开源
    ❤️如果你也关注AI的发展现状，且对AI应用开发感兴趣，我会每日分享大模型与AI领域的开源项目和应用，提供运行实例和实用教程，帮助你快速上手AI技术！微信公众号｜搜一搜：蚝油菜花大家好，我是蚝油菜花，今天跟大家分享一下FireRedASR这个小红书开源的工业级自动语音识别模型。快速阅读FireRedASR是小红书开源的工业级自动语音识别模型，支持普通话、中文方言和英语。该模型在普通话ASR基准测试
  • 语音识别后处理代码 hitsz_syl 语音识别后处理
    importreimportdifflibimportosfromdatetimeimportdatetime,timedeltadefextract_snippets_no_duplicates(input_file,output_file,window=150):"""从输入文本文件中提取包含目标字符（A、B、C、D、"开始"、"结束"）前后`window`个字符范围的文本。提取时扩展到完整的
  • 热门AI创作助手推荐【第一期】 量子星澜 文心一言AI写作chatgpt
    星游AI创作助手人工智能在现代科技中的应用非常广泛，涵盖了诸多领域，包括但不限于以下几个方面：1.语音识别和自然语言处理：人工智能技术被广泛应用于语音识别和自然语言处理领域，例如智能助手、翻译系统、语音交互系统等。2.机器学习和数据分析：人工智能的机器学习算法被用于数据分析、预测建模、用户个性化推荐等领域，帮助企业做出更准确的商业决策。3.计算机视觉：人工智能在计算机视觉领域的应用包括图像识别、视
  • AI笔记——语音识别 Yuki-^_^ 人工智能AI人工智能笔记语音识别
    摘要：语音识别（AutomaticSpeechRecognition,ASR）是人工智能领域的一项重要技术，它将人类的语音信号转换成文字。随着科技的发展，语音识别已经成为现代生活和工作中不可或缺的一部分。本文旨在介绍语音识别的基本原理、关键技术、应用场景以及未来发展趋势。一、历史与发展语音识别技术的历史可以追溯到20世纪50年代，那时的技术基于规则和模板。随着计算能力的提升和深度学习方法的出现，语
  • 自动语音识别（ASR）模型全览 u013250861 #语音识别人工智能
    以下为截至2024年底主流ASR模型的详细列表，涵盖传统模型、端到端模型、开源框架及商业解决方案，按技术类型分类整理，并标注适用场景：一、传统混合模型（GMM/HMM、DNN/HMM）GMM/HMM公开时间：1980年代参数量：百万级（依赖状态数）特点：基于高斯混合模型（GMM）与隐马尔可夫模型（HMM）结合，需手工对齐音素状态。适用场景：早期电话语音识别（嵌入式设备）、孤立词识别（工业控制终端）
  • Assembly语言的自然语言处理 花韵婷 包罗万象golang开发语言后端
    Assembly语言在自然语言处理中的应用引言自然语言处理（NaturalLanguageProcessing,NLP）作为人工智能的一个重要分支，致力于实现计算机与人类语言之间的互动。随着计算能力的提升以及大数据的蓬勃发展，NLP在各个领域的应用如火如荼。从语音识别、机器翻译到情感分析等，NLP正在改变我们与信息之间的互动方式。不过，当前主流的NLP研究通常是用高级编程语言（如Python、Ja
  • NPU的应用场景：从云端到边缘 绿算技术 NPU架构介绍缓存人工智能科技深度学习
    NPU的应用场景非常广泛，主要包括以下几个方面：1.云计算与数据中心AI推理服务：在云端提供高效的AI推理服务，例如图像识别、语音识别。模型训练加速：在大规模训练任务中，NPU可以作为加速单元，提升训练效率。2.边缘计算智能摄像头：在安防监控中，NPU可以实时处理视频流，实现目标检测和跟踪。智能音箱：在语音助手中，NPU可以加速语音识别和自然语言处理任务。3.自动驾驶实时感知：NPU可以加速自动驾
  • 吴恩达机器学习笔记复盘（二）监督学习和无监督学习 wgc2k 机器学习机器学习笔记学习
    监督学习经济价值以及定义监督学习是机器学习中创造了99%经济价值的类型，它是学习输入到输出映射的算法，关键在于给学习算法提供包含正确答案（即给定输入X的正确标签Y）的学习例子。生活中的例子邮件分类，输入是电子邮件，输出是判断邮件是否为垃圾邮件。语音识别，输入音频剪辑，输出文本记录。机器翻译，输入一种语言文本，输出其他语言的相应翻译。在线广告，输入广告和用户信息，预测用户是否点击广告，为公司带来大量
  • Python中用SpeechRecognition库和 vosk模型来识别语音 老菜鸟YDZ 菜鸟学pythonpython开发语言语音识别人工智能xcode
    Python中的SpeechRecognition库是一个比较好用的语音识别模块，提供了将语音识别成文字的方法，支持中文识别。一、SpeechRecognition库的安装使用pip命令安装即可：​pipinstallSpeechRecognition当安装不成功时，可以强制：​pipinstall--force-SpeechRecognition二、SpeechRecognition库的导入：i
  • 人工智能概念 zhangpeng455547940 计算机人工智能
    机器学习、深度学习、大模型机器学习提供框架，使得系统可以从数据中学习算法：线性回归、逻辑回归、支持向量机、决策树、随机森林、K近邻算法深度学习是实现这一目标的工具，模仿人脑，使用多层神经网络进行学习算法：多层感知器、卷积神经网络、循环神经网络、长短期记忆网络大模型指参数量巨大的深度学习模型人工智能应用：自然语言处理、图像识别与生成、语音识别、政务与企业服务...
  • 【自学笔记】讯飞星火基础知识点总览-持续更新 Long_poem 笔记
    提示：文章写完后，目录可以自动生成，如何生成可参考右边的帮助文档文章目录讯飞星火基础知识点总览一、讯飞星火简介二、核心功能1.语音识别2.自然语言处理3.知识图谱4.星火API三、基础概念1.AI模型2.数据处理3.交互方式四、应用场景示例1.办公场景2.学习场景3.生活场景五、总结总结讯飞星火基础知识点总览一、讯飞星火简介讯飞星火是科大讯飞推出的一款强大的AI技术平台，它集成了语音识别、自然语言
  • 【Python】构建智能语音助手：使用Python实现语音识别与合成的全面指南 蒙娜丽宁 Python杂谈python语音识别开发语言
    随着人工智能技术的迅猛发展，语音助手已成为人们日常生活中不可或缺的一部分。从智能手机到智能家居设备，语音交互提供了便捷高效的人机交互方式。本文旨在全面介绍如何利用Python编程语言及其强大的库——SpeechRecognition和gTTS，构建一个基础但功能完备的语音助手。文章首先概述了语音识别与合成的基本原理和关键技术，随后详细讲解了如何安装和配置必要的开发环境。通过丰富的代码示例和详细的中
  • 【AI深度学习网络】Transformer时代，RNN（循环神经网络）为何仍是时序建模的“秘密武器”？ arbboter 人工智能rnn人工智能深度学习循环神经网络记忆序列数据循环连接
    引言：什么是循环神经网络（RNN）？循环神经网络（RecurrentNeuralNetwork,RNN）是一种专门处理序列数据（如文本、语音、时间序列）的深度学习模型。与传统神经网络不同，RNN具有“记忆”能力，能够通过内部状态（隐藏状态）保留历史信息，从而捕捉序列中的时间依赖关系。在自然语言处理、语音识别、时间序列预测等领域，数据本质上是序列化的——即当前数据点与前后数据点存在依赖关系。传统的前
  • 多模态大模型：技术原理与实战 模型压缩实战 AGI大模型与大数据研究院 DeepSeekR1&大数据AI人工智能计算科学神经计算深度学习神经网络大数据人工智能大型语言模型AIAGILLMJavaPython架构设计AgentRPA
    多模态大模型：技术原理与实战模型压缩实战作者：禅与计算机程序设计艺术/ZenandtheArtofComputerProgramming关键词：多模态大模型，技术原理，模型压缩，实战，TensorFlow，PyTorch，模型压缩方法，应用场景1.背景介绍1.1问题的由来随着人工智能技术的飞速发展，多模态大模型在图像识别、语音识别、自然语言处理等领域的应用越来越广泛。然而，多模态大模型通常具有庞大
  • 【花雕动手做】基于ESP32S3和通义千问大模型AI语音聊天机器人 驴友花雕 人工智能机器人嵌入式硬件单片机c++基于ESP32S3通义千问AI语音聊天机器人
    开源项目1、核心功能：该项目利用ESP32S3开发板，结合通义千问大模型，实现了一个AI语音聊天机器人。用户可以通过语音与机器人进行交互，机器人能够理解用户的语音指令并给出相应的语音回答。2、技术架构：（1）语音识别：使用语音转文字大模型，将用户的语音输入转换为文本信息。（2）文本理解：将转换后的文本发送到通义千问大模型进行处理，模型会根据文本内容生成相应的回答。（3）语音合成：将模型生成的文本答
  • 提高客户体验：人类计算在营销中的应用 AI天才研究院 ChatGPTAI大模型企业级应用开发实战DeepSeekR1&大数据AI人工智能大模型大厂Offer收割机面试题简历程序员读书硅基计算碳基计算认知计算生物计算深度学习神经网络大数据AIGCAGILLMJavaPython架构设计Agent程序员实现财富自由
    人类计算与营销：开启个性化时代的未来人类计算与营销：开启个性化时代的未来关键词：人工智能、个性化营销、客户体验、数据驱动、客户关系管理摘要：本文探讨了人类计算在营销中的应用，包括语音识别、人脸识别、自然语言处理等技术，以及如何通过这些技术实现个性化营销、客户关系管理和用户体验优化。文章分析了当前技术的发展趋势和面临的挑战，并提出了未来发展的方向。引言随着人工智能技术的飞速发展，人类计算在各个领域中
  • 嵌入式行业全景透视：前景、挑战与从业者发展路径 九溪弥烟、 技术杂谈嵌入式硬件
    ARM架构各版本内核处理器总结模拟电子与数字电子：区别、联系与工程实践的侧重点为什么晶振被称为芯片的心脏？（全网最准确解释）一、行业前景：技术融合与市场扩张的双重驱动1.应用场景的泛在化渗透嵌入式系统已从传统工业控制、消费电子扩展到智能汽车、智慧医疗、边缘计算等新兴领域。例如，智能家居通过语音识别与传感器联动实现设备协同，工业4.0中嵌入式系统支撑自动化产线的实时控制与数据采集。据预测，2028年
  • 【实战项目】Python 手撕一个基于最新端到端大模型的语音聊天系统 kakaZhui 解码前沿多模态大模型：认知分析和工业级实战python开发语言AIGC人工智能chatgpt
    写在前面：为什么需要端到端语音交互近年来，随着深度学习技术的飞速发展，语音交互技术取得了显著的进步。从智能音箱到虚拟助手，语音交互已经渗透到我们生活的方方面面。然而，传统的语音交互系统往往采用“语音识别（ASR）-自然语言理解（NLU）-对话管理（DM）-自然语言生成（NLG）-语音合成（TTS）”的级联式架构，这种架构存在着诸多弊端，如：错误累积：每个模块的错误都会传递到下一个模块，导致最终结果
  • 【有啥问啥】深入浅出：大模型应用工具 Ollama 技术详解 有啥问啥 大模型科普人工智能深度学习
    深入浅出：大模型应用工具Ollama技术详解引言近年来，大型模型（LargeModels，LLMs）技术突飞猛进，在自然语言处理、计算机视觉、语音识别等领域展现出强大的能力。然而，部署和运行这些庞大的模型往往面临着环境配置复杂、资源需求高昂等挑战。为了解决这些痛点，Ollama应运而生。本文将深入探讨Ollama，一个旨在简化大模型本地运行和管理的开源工具，帮助读者理解其核心概念、优势以及应用场景
  • TORGO 数据库：构音障碍语音研究的宝贵资源 帅小柏 语音识别与Wenet实战语音识别与ESPnet实战语音识别
    TORGO数据库：构音障碍语音研究的宝贵资源在语音识别和语音病理学领域，构音障碍（Dysarthria）是一个重要的研究方向。构音障碍是由神经运动接口异常引起的，导致发音器官运动异常，语音不清晰，传统自动语音识别（ASR）系统难以有效识别。为了推动这一领域的研究，多伦多大学开发了TORGO数据库，这是一个包含构音障碍患者和正常对照组语音数据的宝贵资源。1.数据库简介TORGO数据库是由多伦多大学计
  • 人工智能基础知识 yzx991013 人工智能
    首先分为两大类：一：机器视觉cv1.特征比较明显2.经典模型：cnn，resnet，deepface，yolov（1-12），vi-transformer。缺点：不能解决收听问题。3.落地，无人识别，轨道追踪，无人驾驶，（主要解决看的东西）。二：自然语言处理nlp（语音识别）处理（文本）方面解决（说和听的问题），RNN，LSTM，attention，transformer（基于规则的翻译，超越普通
  • 服务器、群晖，飞牛NAS等部署Whisper ASR教程来啦！让我们的Nas轻松实现音频转文字服务！ xiaoqiangclub 群晖助手服务器whisper音视频ASR语音转文字实用教程
    文章目录介绍演示环境服务器/群晖/飞牛NAS部署WhisperASR，语音识别soeasy！准备部署使用Python调用示例注意事项⚓️相关链接⚓️介绍最近有人私信我，有没有什么办法能在NAS上搞个语音识别服务，实现将语音或开会录音自动转成文字？那么今天我们就一起来看看如何在服务器或群晖/飞牛等Nas上部署一个语音转文字的服务，让我们的NAS瞬间变身“听译”大师！演示环境本文演示环境如下：群晖系统
  • 神经网络ＶＳ决策树 Persistence is gold 神经网络决策树人工智能
    神经网络（NeuralNetworks）和决策树（DecisionTrees）是两种不同的机器学习算法，各自具有独特的优点和适用场景。以下是它们的详细比较：神经网络优点:强大的学习能力:神经网络，尤其是深度神经网络，能够自动学习数据中的复杂特征，可以处理高维和非线性的问题。适用性广泛:神经网络适用于分类、回归、图像处理、语音识别、自然语言处理等多种任务。多层结构:通过增加隐藏层，神经网络可以逐层提
  • windows实现麦克风持续实时实现科大讯飞语音识别，判断声音是否停止并生成pcm文件 青年夏日科技工作者 语音识别人工智能
    importpyaudio,waveimportnumpyasnpdeflisten():temp=20CHUNK=1024FORMAT=pyaudio.paInt16CHANNELS=1RATE=16000RECORD_SECONDS=2SAMPLE_WIDTH=2#2bytespersampleWAVE_OUTPUT_FILENAME='test.wav'mindb=2000#最小声音，大于则
  • AI 外呼产品架构解读：让智能外呼更精准高效 MARS_AI_ 人工智能架构自然语言处理信息与通信
    在人工智能（AI）技术迅猛发展的今天，AI外呼系统已成为呼叫中心领域的新宠。本文将剖析AI外呼产品的基本架构，帮助读者理解其背后的技术逻辑和应用价值。一、支撑能力层：AI外呼的基石AI外呼系统的底层架构，即支撑能力层，为整个系统提供了坚实的技术基础。这一层主要包括以下三个核心组成部分：1.AI基础能力AI基础能力涵盖了语音识别（ASR）、自然语言处理（NLP）和语音合成（TTS）等技术。这些技术使
  • 国内外优秀AI外呼产品推荐 MARS_AI_ 人工智能自然语言处理sassnlp信息与通信
    在数字化转型浪潮中，AI外呼系统凭借其高效率、低成本、精准交互的特点，成为企业客户触达与服务的核心工具。本文基于行业实践与技术测评，推荐国内外表现突出的AI外呼产品，重点解析国内标杆企业云蝠智能，并对比其他代表性产品，助企业快速选型。一、云蝠智能：大模型驱动的“性价比之王”作为国内AI外呼领域的领军者，云蝠智能以神鹤AI对话大模型为核心技术，深度融合自然语言处理（NLP）、语音识别（ASR）与语音
  • AI大模型教程入门到精通，非常详细收藏我这一篇就够了！AI大模型零基础入门教程（适合小白） AGI大模型学习 人工智能大模型应用大模型AI产品经理学习AI大模型大模型教程
    什么是AI大模型？AI大模型是指使用大规模数据和强大的计算能力训练出来的人工智能模型。这些模型通常具有高度的准确性和泛化能力，可以应用于各种领域，如自然语言处理、图像识别、语音识别等。为什么要学AI大模型？2024人工智能大模型的技术岗位与能力培养随着人工智能技术的迅速发展和应用，大模型作为其中的重要组成部分，正逐渐成为推动人工智能发展的重要引擎。大模型以其强大的数据处理和模式识别能力，广泛应用于
  • LeetCode[位运算] - #137 Single Number II Cwind javaAlgorithmLeetCode题解位运算
    原题链接：#137 Single Number II  要求： 给定一个整型数组，其中除了一个元素之外，每个元素都出现三次。找出这个元素 注意：算法的时间复杂度应为O(n)，最好不使用额外的内存空间   难度：中等   分析： 与#136类似，都是考察位运算。不过出现两次的可以使用异或运算的特性 n XOR n = 0, n XOR 0 = n，即某一
  • 《JavaScript语言精粹》笔记 aijuans JavaScript
    0、JavaScript的简单数据类型包括数字、字符创、布尔值（true/false）、null和undefined值，其它值都是对象。 1、JavaScript只有一个数字类型，它在内部被表示为64位的浮点数。没有分离出整数，所以1和1.0的值相同。 2、NaN是一个数值，表示一个不能产生正常结果的运算结果。NaN不等于任何值，包括它本身。可以用函数isNaN(number)检测NaN,但是
  • 你应该更新的Java知识之常用程序库 Kai_Ge java
    在很多人眼中，Java 已经是一门垂垂老矣的语言，但并不妨碍 Java 世界依然在前进。如果你曾离开 Java，云游于其它世界，或是每日只在遗留代码中挣扎，或许是时候抬起头，看看老 Java 中的新东西。 Guava Guava[gwɑ:və]，一句话，只要你做Java项目，就应该用Guava（Github）。 guava 是 Google 出品的一套 Java 核心库，在我看来，它甚至应该
  • HttpClient 120153216 httpclient
    /** * 可以传对象的请求转发，对象已流形式放入HTTP中 */ public static Object doPost(Map<String,Object> parmMap,String url) { Object object = null; HttpClient hc = new HttpClient(); String fullURL
  • Django model字段类型清单 2002wmj django
    Django 通过 models 实现数据库的创建、修改、删除等操作，本文为模型中一般常用的类型的清单，便于查询和使用： AutoField：一个自动递增的整型字段，添加记录时它会自动增长。你通常不需要直接使用这个字段；如果你不指定主键的话，系统会自动添加一个主键字段到你的model。(参阅自动主键字段) BooleanField：布尔字段,管理工具里会自动将其描述为checkbox。 Cha
  • 在SQLSERVER中查找消耗CPU最多的SQL 357029540 SQL Server
    返回消耗CPU数目最多的10条语句 SELECT TOP 10    total_worker_time/execution_count AS avg_cpu_cost, plan_handle,    execution_count,    (SELECT SUBSTRING(text, statement_start_of
  • Myeclipse项目无法部署，Undefined exploded archive location 7454103 eclipseMyEclipse
    做个备忘！ 错误信息为：       Undefined exploded archive location 原因：           在工程转移过程中，导致工程的配置文件出错； 解决方法：    
  • GMT时间格式转换 adminjun GMT时间转换
    普通的时间转换问题我这里就不再罗嗦了，我想大家应该都会那种低级的转换问题吧，现在我向大家总结一下如何转换GMT时间格式，这种格式的转换方法网上还不是很多，所以有必要总结一下，也算给有需要的朋友一个小小的帮助啦。 1、可以使用 SimpleDateFormat SimpleDateFormat    EEE-三位星期 d-天 MMM-月 yyyy-四位年
  • Oracle数据库新装连接串问题 aijuans oracle数据库
    割接新装了数据库，客户端登陆无问题，apache/cgi-bin程序有问题，sqlnet.log日志如下： Fatal NI connect error 12170.   VERSION INFORMATION:         TNS for Linux: Version 10.2.0.4.0 - Product
  • 回顾java数组复制 ayaoxinchao java数组
    在写这篇文章之前，也看了一些别人写的，基本上都是大同小异。文章是对java数组复制基础知识的回顾，算是作为学习笔记，供以后自己翻阅。首先，简单想一下这个问题：为什么要复制数组？我的个人理解：在我们在利用一个数组时，在每一次使用，我们都希望它的值是初始值。这时我们就要对数组进行复制，以达到原始数组值的安全性。java数组复制大致分为3种方式：①for循环方式 ②clone方式 ③arrayCopy方
  • java web会话监听并使用spring注入 bewithme Java Web
            在java web应用中，当你想在建立会话或移除会话时，让系统做某些事情，比如说，统计在线用户，每当有用户登录时，或退出时，那么可以用下面这个监听器来监听。        import java.util.ArrayList; import java.ut
  • NoSQL数据库之Redis数据库管理(Redis的常用命令及高级应用) bijian1013 redis数据库NoSQL
    一 .Redis常用命令         Redis提供了丰富的命令对数据库和各种数据库类型进行操作，这些命令可以在Linux终端使用。         a.键值相关命令         b.服务器相关命令 1.键值相关命令       &
  • java枚举序列化问题 bingyingao java枚举序列化
    对象在网络中传输离不开序列化和反序列化。而如果序列化的对象中有枚举值就要特别注意一些发布兼容问题: 1.加一个枚举值 新机器代码读分布式缓存中老对象，没有问题，不会抛异常。 老机器代码读分布式缓存中新对像，反序列化会中断，所以在所有机器发布完成之前要避免出现新对象，或者提前让老机器拥有新增枚举的jar。 2.删一个枚举值 新机器代码读分布式缓存中老对象，反序列
  • 【Spark七十八】Spark Kyro序列化 bit1129 spark
    当使用SparkContext的saveAsObjectFile方法将对象序列化到文件，以及通过objectFile方法将对象从文件反序列出来的时候，Spark默认使用Java的序列化以及反序列化机制，通常情况下，这种序列化机制是很低效的，Spark支持使用Kyro作为对象的序列化和反序列化机制，序列化的速度比java更快，但是使用Kyro时要注意，Kyro目前还是有些bug。 Spark
  • Hybridizing OO and Functional Design bookjovi erlanghaskell
      推荐博文： Tell Above, and Ask Below - Hybridizing OO and Functional Design 文章中把OO和FP讲的深入透彻，里面把smalltalk和haskell作为典型的两种编程范式代表语言，此点本人极为同意，smalltalk可以说是最能体现OO设计的面向对象语言，smalltalk的作者Alan kay也是OO的最早先驱，
  • Java-Collections Framework学习与总结-HashMap BrokenDreams Collections
            开发中常常会用到这样一种数据结构，根据一个关键字，找到所需的信息。这个过程有点像查字典，拿到一个key，去字典表中查找对应的value。Java1.0版本提供了这样的类java.util.Dictionary(抽象类)，基本上支持字典表的操作。后来引入了Map接口，更好的描述的这种数据结构。  &nb
  • 读《研磨设计模式》-代码笔记-职责链模式-Chain Of Responsibility bylijinnan java设计模式
    声明： 本文只为方便我个人查阅和理解，详细的分析以及源代码请移步 原作者的博客http://chjavach.iteye.com/ /** * 业务逻辑：项目经理只能处理500以下的费用申请，部门经理是1000，总经理不设限。简单起见，只同意“Tom”的申请 * bylijinnan */ abstract class Handler { /*
  • Android中启动外部程序 cherishLC android
    1、启动外部程序 引用自： http://blog.csdn.net/linxcool/article/details/7692374 //方法一 Intent intent=new Intent(); //包名 包名+类名（全路径） intent.setClassName("com.linxcool", "com.linxcool.PlaneActi
  • summary_keep_rate coollyj SUM
    BEGIN /*DECLARE minDate varchar(20) ; DECLARE maxDate varchar(20) ;*/ DECLARE stkDate varchar(20) ; DECLARE done int default -1; /* 游标中 注册服务器地址 */ DE
  • hadoop hdfs 添加数据目录出错 daizj hadoophdfs扩容
    由于原来配置的hadoop data目录快要用满了，故准备修改配置文件增加数据目录，以便扩容，但由于疏忽，把core-site.xml, hdfs-site.xml配置文件dfs.datanode.data.dir 配置项增加了配置目录，但未创建实际目录，重启datanode服务时，报如下错误： 2014-11-18 08:51:39,128 WARN org.apache.hadoop.h
  • grep 目录级联查找 dongwei_6688 grep
           在Mac或者Linux下使用grep进行文件内容查找时，如果给定的目标搜索路径是当前目录，那么它默认只搜索当前目录下的文件，而不会搜索其下面子目录中的文件内容，如果想级联搜索下级目录，需要使用一个“-r”参数： grep -n -r "GET" .   上面的命令将会找出当前目录“.”及当前目录中所有下级目录
  • yii 修改模块使用的布局文件 dcj3sjt126com yiilayouts
    方法一：yii模块默认使用系统当前的主题布局文件，如果在主配置文件中配置了主题比如: 'theme'=>'mythm', 那么yii的模块就使用 protected/themes/mythm/views/layouts 下的布局文件； 如果未配置主题，那么 yii的模块就使用  protected/views/layouts 下的布局文件， 总之默认不是使用自身目录 pr
  • 设计模式之单例模式 come_for_dream 设计模式单例模式懒汉式饿汉式双重检验锁失败无序写入
                    今天该来的面试还没来，这个店估计不会来电话了，安静下来写写博客也不错，没事翻了翻小易哥的博客甚至与大牛们之间的差距，基础知识不扎实建起来的楼再高也只能是危楼罢了，陈下心回归基础把以前学过的东西总结一下。   *********************************
  • 8、数组 豆豆咖啡 二维数组数组一维数组
      一、概念       数组是同一种类型数据的集合。其实数组就是一个容器。   二、好处       可以自动给数组中的元素从0开始编号，方便操作这些元素   三、格式   //一维数组 1,元素类型[] 变量名 = new 元素类型[元素的个数] int[] arr =
  • Decode Ways hcx2013 decode
    A message containing letters from A-Z is being encoded to numbers using the following mapping: 'A' -> 1 'B' -> 2 ... 'Z' -> 26 Given an encoded message containing digits, det
  • Spring4.1新特性——异步调度和事件机制的异常处理 jinnianshilongnian spring 4.1
    目录 Spring4.1新特性——综述 Spring4.1新特性——Spring核心部分及其他 Spring4.1新特性——Spring缓存框架增强 Spring4.1新特性——异步调用和事件机制的异常处理 Spring4.1新特性——数据库集成测试脚本初始化 Spring4.1新特性——Spring MVC增强 Spring4.1新特性——页面自动化测试框架Spring MVC T
  • squid3(高命中率)缓存服务器配置 liyonghui160com
        系统:centos 5.x   需要的软件:squid-3.0.STABLE25.tar.gz 1.下载squid wget http://www.squid-cache.org/Versions/v3/3.0/squid-3.0.STABLE25.tar.gz tar zxf squid-3.0.STABLE25.tar.gz &&
  • 避免Java应用中NullPointerException的技巧和最佳实践 pda158 java
    1) 从已知的String对象中调用equals()和equalsIgnoreCase()方法，而非未知对象。 　　总是从已知的非空String对象中调用equals()方法。因为equals()方法是对称的，调用a.equals(b)和调用b.equals(a)是完全相同的，这也是为什么程序员对于对象a和b这么不上心。如果调用者是空指针，这种调用可能导致一个空指针异常 Object unk
  • 如何在Swift语言中创建http请求 shoothao httpswift
    概述：本文通过实例从同步和异步两种方式上回答了”如何在Swift语言中创建http请求“的问题。 如果你对Objective-C比较了解的话，对于如何创建http请求你一定驾轻就熟了，而新语言Swift与其相比只有语法上的区别。但是，对才接触到这个崭新平台的初学者来说，他们仍然想知道“如何在Swift语言中创建http请求？”。 在这里,我将作出一些建议来回答上述问题。常见的
  • Spring事务的传播方式 uule spring事务
    传播方式：        新建事务       required       required_new   - 挂起当前         非事务方式运行       supports   &nbs
按字母分类： ABCDEFGHIJKLMNOPQRSTUVWXYZ其他