Nonnegative matrix factorization (NMF) is one of the most popular machine learning tools for speech enhancement (SE). However, there are two problems reducing the performance of the traditional NMF-based SE algorithms. One is related to the overlap-and-add operation used in the short time Fourier transform (STFT) based signal reconstruction, and the other is the Euclidean distance used commonly as an objective function; these methods can cause distortion in the SE process. In order to get over these shortcomings, we propose a novel SE joint framework which combines the discrete wavelet packet transform (DWPT) and the Itakura-Saito nonnegative matrix factorisation (ISNMF). In this approach, the speech signal was first split into a series of subband signals using the DWPT. Then, the ISNMF was used to enhance the speech for each subband signal. Finally, the inverse DWPT (IDWT) was utilised to reconstruct these enhanced speech subband signals. The experimental results show that the proposed joint framework effectively enhances the performance of speech enhancement and performs better in the unseen noise case compared to the traditional NMF methods.
For highly reliable and long-life products, accelerated degradation test (ADT) is often an effective and attractive way to assess the reliability. To analyze the accelerated degradation data, it has been well recognized that it is necessary to incorporate three sources of variability including the temporal variability, the unit-to-unit variability and measurement errors into the ADT model. The temporal variability can be properly described by the Wiener process. However, the randomness of the initial degradation level, which is an important part of the unit-to-unit variability, has been often neglected. In addition, regarding the measurement errors, current ADT models often assumed them to follow a mutually independent normal distribution and ignored the autocorrelation that may probably exist in them. These problems lead to a poor accuracy for reliability evaluation in some situation. Thus, a random-effect Wiener process-based ADT model considering one-order autoregressive (AR(1)) errors is proposed. Then closed-form expressions for the failure time distribution (FTD) is derived based on the concept of first hitting time (FHT). A statistical inference method is adopted to estimate unknown parameters. Finally, a comprehensive simulation study and a practical application are given to demonstrate the rationality and effectiveness of the proposed model.
PL
W przypadku wysoce niezawodnych produktów o długim cyklu życia, przyspieszone badanie degradacji (ADT) często stanowi skuteczny i atrakcyjny sposób oceny niezawodności. Jak wiadomo, analiza danych z przyspieszonej degradacji wymaga włączenia do modelu ADT trzech źródeł zmienności, w tym zmienności czasowej, zmienności między jednostkami i błędów pomiarowych. Zmienność czasową można odpowiednio opisać za pomocą procesu Wienera. Jednak losowość początkowego poziomu degradacji, który stanowi ważną część zmienności między jednostkami, jest często w badaniach pomijana. Ponadto, w odniesieniu do błędów pomiaru, obecne modele ADT często zakładają, że mają one wzajemnie niezależne rozkłady normalne, ignorując możliwą autokorelację. Problemy te prowadzą w niektórych sytuacjach do niskiej trafności oceny niezawodności. W związku z powyższym, zaproponowano model ADT oparty na procesie Wienera z efektem losowym, w którym uwzględniono błędy autoregresyjne pierwszego rzędu (AR (1)). Następnie, w oparciu o pojęcie pierwszego czasu przejścia, wyprowadzono wyrażenia w postaci zamkniętej dla rozkładu czasu uszkodzenia (FTD). Do oszacowania nieznanych parametrów przyjęto metodę wnioskowania statystycznego. Na koniec przedstawiono kompleksowe studium symulacyjne i wskazano praktyczne zastosowanie modelu w celu wykazania jego racjonalności i skuteczności.
JavaScript jest wyłączony w Twojej przeglądarce internetowej. Włącz go, a następnie odśwież stronę, aby móc w pełni z niej korzystać.