Архив статей журнала
В данной работе предложен новый метод улучшения качества зашумленных речевых сигналов. В его основе лежит двухэтапная схема, с первым этапом широкополосной обработки аудиосигнала и вторым этапом обработки отдельных частотных полос. Преобразование сигнала осуществлялось над оконным Фурье-разложением обрабатываемого сигнала. На каждом этапе задействованы слои, моделирующие структурированное пространство состояний (S4), хорошо зарекомендовавшие себя при обработке и предсказании длинных временных рядов. За счет их применения уменьшилось число обучаемых параметров нейронной сети без потери качества работы. Длительность процесса обучения в расчете на одну эпоху уменьшилась по сравнению с рекуррентными сетями из-за применения сверточной формы S4-преобразований. Проведена апробация предложенного метода. Нейронная сеть с S4-преобразованиями реализована на языке Python с применением библиотеки глубокого обучения PyTorch. Обучение сети проведено на наборе данных DNS Challenge 2020. Для тестирования работы на основе того же набора данных сгенерирован набор тестовых примеров, включающих в себя различные классы шумовых добавок. Продемонстрировано превосходство предложенного метода в целом по сравнению с аналогичными решениями, основанными на применении слоев рекуррентных преобразований. Проведен анализ того, какие классы шумов более эффективно очищаются из обрабатываемого сигнала.
В статье рассматривается архитектура вычислительного узла конвейерного типа, предназначенная для реализации набора вычислений, соответствующих классам вычислительных задач с подобным набором операций и линейной последовательностью действий, для которой возможна реализация архитектуры с передачей данных между отдельными стадиями конвейера. В качестве типов задач рассматриваются цифровая обработка сигналов, вычисление трансцендентных и хэш-функций, базовые операции с плавающей точкой и операции вычисления выхода нейрона для построения нейроморфных вычислительных структур. Совмещение нескольких типов операций в рамках одного конфигурируемого конвейера позволяет расширить область применения таких вычислительных структур, реализуемых в составе СБИС ускорителей вычислений. Применение конфигурируемых конвейеров позволяет частично сконцентрировать вычислительные ресурсы, уменьшив таким образом возможное многообразие коммутаций между ними, характерное для многоядерных процессоров с архитектурой связей типа «решетка». Кроме того, характерные особенности задач цифровой обработки сигналов в виде большого динамического диапазона коэффициентов фильтра при их реализации в последовательном конвейерном вычислителе позволяют использовать минимально необходимое количество стадий конвейера, динамически адаптируя их к конкретному набору используемых коэффициентов фильтра. Аналогично выполняется операция «обрезки» при реализации нейросетей. Для конвейера предложено двухступенчатое конфигурирование с регистром конфигурации коммутаторов, содержащим несколько программируемых наборов управляющих сигналов, и памятью последовательности включения этих наборов, что позволяет динамически управлять работой конвейера при его реализации в составе СБИС.