.png){kind=icon}
返回
Time-Domain Sound Field Estimation Using Kernel Ridge Regression
.png){kind=icon}
PRE
AI
DOI：10.1109/TASLPRO.2026.3662464.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
基于核岭回归的声场估计方法已被证明是有效的，它不仅能够严格保证物理属性，还可以包含诸如声场方向性等先验知识。然而，这些方法最初是为单频声场制定的，限制了可使用的数据类型和先验知识。本文将核岭回归方法推广至离散时间声场。所提出的方法能够提供可闭式计算的时域声场估计，保证其物理可实现性，并利用声场的时域特性来改进估计性能。通过利用关于房间脉冲响应时域行为的先验信息，采用时域数据加权可提升所提出方法的估计性能，展示了该方法的有用性。此外，模拟和真实数据的实验结果表明，时域数据加权可与方向加权相结合，利用房间脉冲响应的空间和时域特性先验知识。所提出方法的理论框架使得使用核岭回归能够解决更广泛的声场估计问题，其中需要考虑时域响应而非单独考虑每个频率的频域响应。
Keyword:
Sound field estimation
moving microphone
kernel ridge regression
reproducing kernel Hilbert space
regularization
Sound field estimation
moving microphone
kernel ridge regression
reproducing kernel Hilbert space
regularization
期刊
I
IF:
0
论文数:
151
被引数:
0
机构
引用论文
.png){kind=icon}
分享收藏Deep Prior-Based Audio Inpainting Using Multi-Resolution Harmonic Convolutional Neural Networks基于深度先验的多分辨率谐波卷积神经网络音频修复
OAAI
OAAI分享收藏分享收藏分享收藏
查看更多内容