MDCT/ODFT域中的音频参数估计及其应用研究

结题报告
项目介绍
AI项目解读

基本信息

  • 批准号：
    61701391
  • 项目类别：
    青年科学基金项目
  • 资助金额：
    25.5万
  • 负责人：
    顿玉洁
  • 依托单位：
    西安交通大学
  • 学科分类：
    F0111.信号理论与信号处理
  • 结题年份：
    2020
  • 批准年份：
    2017
  • 项目状态：
    已结题
  • 起止时间：
    2018-01-01 至2020-12-31

项目摘要

Compressed domain audio signal processing and analysis are of vital significance for large scale audio processing because it can avoid the decoding modules required by conventional methods, helping to reduce the system complexity and latency. We plan to do research on the key techniques in parameter estimation methods in MDCT/ODFT domain that are used in audio compression. We also plan to study the key techniques that are used in compressed domain audio processing and analysis, and in building a unified audio compression and parameter extraction system. To be specific, our research is composed of the following three facets: 1) parameter estimation methods of audio signals with complex models in MDCT/ODFT domain; 2) characteristic parameter extraction for audio signals in MDCT/ODFT domain; 3) Multi-channel and high-frequency bands coding parameters extraction in ODFT domain; 4) simulation and verification platform for compressed audio processing and analysis. Innovation points are: 1) Propose parameter estimation methods for complex models that take the actual audio signal characteristics into account; 2) Propose compressed domain audio characteristic parameter extraction methods; 3) A solution for low-complexity audio processing platform with unified compression and signal analysis functions. Out research will provide effective transform domain signal parameter estimation methods, and it will provide the necessary technical supports and a valuable reference for audio signal processing and analysis in the compressed domain. Further more, it will explore a new audio processing platform.
在压缩域对音频信号进行处理与分析，避免了传统方法中的音频解码环节，降低系统复杂度和系统延迟，对媒体大数据时代的海量音频处理与分析具有重要意义。本项目研究在音频变换域MDCT/ODFT中进行参数估计的关键技术，并探讨其应用于压缩域音频处理与分析、压缩编码/参数分析一体化音频处理系统时的核心技术内容。研究内容：复杂模型下MDCT/ODFT域音频参数估计方法；MDCT/ODFT域音频特征参量提取方法；ODFT域音频多通道与高频带编码参量提取；压缩音频处理与分析仿真验证平台。创新点：结合实际音频信号特征，实现复杂模型条件下的参数估计方法；结合压缩域音频处理分析需求，实现压缩域音频特征参量提取；结合ODFT域分析的特征，实现压缩编码与信号分析一体化的低复杂度音频系统方案。本项目研究将提供有效的变换域信号参数估计方法，为压缩域音频处理与分析提供技术支持和实现方案，并探索新的音频处理平台框架。

结项摘要

本项目主要研究了在MDCT/ODFT变换域进行参数估计和分析的关键技术，并探讨将其应用于压缩域音频信号处理与分析、压缩编码/参数分析一体化音频处理系统时的核心技术内容。通过研究MDCT/ODFT域的正弦信号参数估计，为大数据时代海量数据处理需求背景下，对音频信号进行低复杂度处理与分析提供了关键技术支持。主要创新点包括：（1）在ODFT域参数估计研究方面，提出了一种高精度的基于指数衰减正弦模型的ODFT域参数估计方法；提出了现有算法从DFT域向ODFT域迁移的转换算法；提出了一种DFT域的高精度非迭代的频率估计算法。（2）在MDCT域参数估计研究方面，建立了正弦信号MDCT域分析的通用模型；提出了一种高效的直接在MDCT域进行正弦参数估计的估计算法；系统分析了现有算法从DFT/ODFT域向MDCT域迁移的核心与关键；（3）在一体化音频处理分析与压缩编码仿真验证平台建设方面，通过音频的参数化分析与重构，验证了平台在参数估计算法方面的功能；通过一体化系统的搭建，实现了音频处理与压缩编码的系统原型。以上工作为后续进一步研究奠定了良好的科研基础。

项目成果

期刊论文数量（4）
专著数量（0）
科研奖励数量（0）
会议论文数量（0）
专利数量（3）
Revising regularisation with linear approximation term for compressive sensing improvement
使用线性近似项修改正则化以改进压缩感知
  • DOI：
    10.1049/el.2018.8019
  • 发表时间：
    2019
  • 期刊：
    Electronics Letters
  • 影响因子：
    1.1
  • 作者：
    Chen Zan;Hou Xingsong;Shao Ling;Wang Shidong
  • 通讯作者：
    Wang Shidong
Compressive Sensing Multi-Layer Residual Coefficients for Image Coding
用于图像编码的压缩感知多层残差系数
  • DOI：
    10.1109/tcsvt.2019.2898908
  • 发表时间：
    2020-04-01
  • 期刊：
    IEEE TRANSACTIONS ON CIRCUITS AND SYSTEMS FOR VIDEO TECHNOLOGY
  • 影响因子：
    8.4
  • 作者：
    Chen, Zan;Hou, Xingsong;Wang, Shidong
  • 通讯作者：
    Wang, Shidong
Kernel-attended residual network for single image super-resolution
用于单图像超分辨率的内核参与残差网络
  • DOI：
    10.1016/j.knosys.2020.106663
  • 发表时间：
    2020-12
  • 期刊：
    Knowledge-Based Systems
  • 影响因子：
    8.8
  • 作者：
    Yujie Dun;Zongyang Da;Shuai Yang;Yao Xue;Xueming Qian
  • 通讯作者：
    Xueming Qian
Zero-VAE-GAN: Generating Unseen Features for Generalized and Transductive Zero-Shot Learning
Zero-VAE-GAN：为广义和传导性零样本学习生成看不见的特征
  • DOI：
    10.1109/tip.2020.2964429
  • 发表时间：
    2020-01-01
  • 期刊：
    IEEE TRANSACTIONS ON IMAGE PROCESSING
  • 影响因子：
    10.6
  • 作者：
    Gao, Rui;Hou, Xingsong;Shao, Ling
  • 通讯作者：
    Shao, Ling

数据更新时间：{{ journalArticles.updateTime }}

{{ item.title }}
{{ item.translation_title }}
  • DOI：
    {{ item.doi || "--"}}
  • 发表时间：
    {{ item.publish_year || "--" }}
  • 期刊：
    {{ item.journal_name }}
  • 影响因子：
    {{ item.factor || "--"}}
  • 作者：
    {{ item.authors }}
  • 通讯作者：
    {{ item.author }}

数据更新时间：{{ journalArticles.updateTime }}

{{ item.title }}
  • 作者：
    {{ item.authors }}

数据更新时间：{{ monograph.updateTime }}

{{ item.title }}
  • 作者：
    {{ item.authors }}

数据更新时间：{{ sciAawards.updateTime }}

{{ item.title }}
  • 作者：
    {{ item.authors }}

数据更新时间：{{ conferencePapers.updateTime }}

{{ item.title }}
  • 作者：
    {{ item.authors }}

数据更新时间：{{ patent.updateTime }}

其他文献

其他文献

{{ item.title }}
{{ item.translation_title }}
  • DOI：
    {{ item.doi || "--" }}
  • 发表时间：
    {{ item.publish_year || "--"}}
  • 期刊：
    {{ item.journal_name }}
  • 影响因子：
    {{ item.factor || "--" }}
  • 作者：
    {{ item.authors }}
  • 通讯作者：
    {{ item.author }}
empty
内容获取失败，请点击重试
重试联系客服
title开始分析
查看分析示例
此项目为已结题，我已根据课题信息分析并撰写以下内容，帮您拓宽课题思路：

AI项目思路

AI技术路线图

相似国自然基金

{{ item.name }}
  • 批准号：
    {{ item.ratify_no }}
  • 批准年份：
    {{ item.approval_year }}
  • 资助金额：
    {{ item.support_num }}
  • 项目类别：
    {{ item.project_type }}

相似海外基金

{{ item.name }}
{{ item.translate_name }}
  • 批准号：
    {{ item.ratify_no }}
  • 财政年份：
    {{ item.approval_year }}
  • 资助金额：
    {{ item.support_num }}
  • 项目类别：
    {{ item.project_type }}
{{ showInfoDetail.title }}

作者：{{ showInfoDetail.author }}

知道了

AI项目解读示例

课题项目：调控A型流感病毒诱导IFN-β表达的机制研究

AI项目摘要：

本研究聚焦于TRIM2蛋白在A型流感病毒诱导的IFN-β表达中的调控机制。A型流感病毒是全球性健康问题，其感染可导致严重的呼吸道疾病。IFN-β作为关键的抗病毒因子，其表达水平对抗病毒防御至关重要。然而，TRIM2如何调控IFN-β的表达尚未明确。本研究假设TRIM2通过与病毒RNA或宿主因子相互作用，影响IFN-β的产生。我们将采用分子生物学、细胞生物学和免疫学方法，探索TRIM2与A型流感病毒诱导IFN-β表达的关系。预期结果将揭示TRIM2在抗病毒免疫反应中的作用，为开发新的抗病毒策略提供理论基础。该研究对理解宿主抗病毒机制具有重要科学意义，并可能对临床治疗流感病毒感染提供新的视角。

AI项目思路：

科学问题：TRIM2如何调控A型流感病毒诱导的IFN-β表达？
前期研究：已有研究表明TRIM2参与抗病毒反应，但其具体机制尚不明确。
研究创新点：本研究将深入探讨TRIM2在IFN-β表达中的直接作用机制。
技术路线：包括病毒学、分子生物学、细胞培养和免疫检测技术。
关键技术：TRIM2与病毒RNA的相互作用分析，IFN-β启动子活性检测。
实验模型：使用A型流感病毒感染的细胞模型进行研究。

AI技术路线图

        graph TD
          A[研究起始] --> B[文献回顾与假设提出]
          B --> C[实验设计与方法学准备]
          C --> D[A型流感病毒感染模型建立]
          D --> E[TRIM2与病毒RNA相互作用分析]
          E --> F[TRIM2对IFN-β启动子活性的影响]
          F --> G[IFN-β表达水平测定]
          G --> H[TRIM2功能丧失与获得研究]
          H --> I[数据收集与分析]
          I --> J[结果解释与科学验证]
          J --> K[研究结论与未来方向]
          K --> L[研究结束]
关闭
close
客服二维码