1、什麼是白雜訊、有色雜訊?
白雜訊：功率譜密度在整個頻帶上是均勻分布的。
有色雜訊：除了白雜訊以外的雜訊
粉紅雜訊：1/f雜訊，功率譜密度隨頻率的公升高而減少
2、雜訊分類？
雜訊分為加性雜訊和非加性雜訊，一般非加性雜訊可以轉換為加性雜訊。加性雜訊包括：週期性雜訊、脈衝雜訊、寬頻雜訊、同頻帶語音干擾。非加性雜訊包括傳輸雜訊。
週期性雜訊：主要是發動機發出的週期性振動導致，在頻譜上呈現離散譜線，這些窄帶頻譜如果固定不變就用固定濾波器，如何頻譜會發生變化就用自適應濾波器
脈衝雜訊：主要是放電造成，在時域上呈現為窄脈衝，可以使用插值方法在時域平滑
寬頻雜訊：雜訊和純淨語音在時域和頻域都有交疊，一般如果是平穩雜訊可以使用譜減法、維納濾波、基於統計的方法；如果是非平穩雜訊，可以使用卡爾曼濾波
同頻帶語音干擾：一般需要預先知道雜訊源，通過自適應濾波或者頻譜增強的方法（使用梳妝濾波器提取出純淨語音的基頻和諧波分量，再重構）
傳輸雜訊：電路傳輸時造成的雜訊，和普通背景雜訊不同，在時域上表現為純淨語音和雜訊的卷積，需要使用同態處理，將非加性雜訊變為加性雜訊。
3、關於語音增強及整個行業的發展前景
語音增強是從干擾雜訊中提取出純淨語音的過程。
分類----主要分為兩大類，基於訊號處理的方法、基於機器學習的方法。基於訊號處理的方法又可以分為單通道處理和多通道處理（麥克風陣列），單通道處理主要包括基於短時譜估計（如譜減、維納濾波、基於統計的方法）、基於先驗知識（預先知道雜訊型別）的自適應濾波、另外還有像小波變換、子空間等；多通道處理主要是麥克風陣列波束形成。上述都是傳統的語音增強方法，隨著目前機器學習的廣泛使用，許多用傳統方法難以處理的雜訊，使用機器學習的方法可以容易得處理，現在流行的主要包括基於隱馬爾科夫模型、基於矩陣分解、基於淺層神經網路、基於深層神經網路。
發展----一方面使用環境越來越複雜，從近場拾音向遠場拾音發展；另外人對聲音的要求越來越高，從聽懂向聽得舒服發展，使得語音增強演算法難度越來越複雜，新的演算法不斷湧現，特別是硬體的發展帶動深度學習這些複雜演算法在工業界的實用，未來發展前景必然很廣大。
4、關於webrtc回音消除，存在什麼問題和優化點
webrtc的回音消除主要包括線性回音消除和非線性回音消除兩部分，線性回音消除採用的是nlms的自適應濾波器，使用分段塊的方式在頻域實現，非線性濾波主要對線性濾波無法消除的非線性回聲進行消除，利用遠近端、近端誤差相關性，來判斷當前狀態的回聲殘留程度來賦予不同的衰減值，同時還設定乙個目標抑制度，用以實現不同程度地衰減。存在的問題是1）自適應濾波器使用的是固定步長，在雙講階段仍然更新濾波器；2）非線性階段側重於消除回聲，對雙講會有較大的壓制。優點是1）非線性處理可以讓回聲消除比較乾淨。優化方案是1）採用變步長的自適應濾波器；2）非線性階段對雙講做保護
5、關於speex回音消除，存在什麼問題和優化點
speex回音消除主要包括線性回音消除和後處理，線性回音消除採用nlms的自適應濾波器，使用mdf（長階自適應濾波器時延大、計算量大，切分成若干個短階濾波器，分別對輸入訊號做處理，並將濾波器輸出累加求和得到最終的輸出，好處是時延小、計算量小、更新速度快）的方式在頻域實現，後處理包括殘留回聲估計和平穩雜訊的估計，最後使用mmse在對數域實現。存在的問題是1）殘留回聲是由線性濾波器估計出來的，難以消除非線性回聲。優點是1）自適應濾波器迭代步長計算方法採用mader法，是理論的最優估計演算法，2）雙濾波器結構保證單講快速更新，雙講緩慢更新。優化方向是1）增加非線性處理操作。
6、webrtc和speex的區別
speex在系統線性好的環境下表現會很好，但線性差的環境下表現較差；而webrtc則通用性更強，但是雙講效果不佳；目前webrtc已經優化到aec3，實測雙講效果確實變好了，但回聲沒能消除乾淨。沒辦法，單講回音和雙講壓制就像乙個蹺蹺板，想調整到乙個非常理想的狀態很困難，這也是最考驗演算法工程師的點。
7、如何評價演算法好壞
一是主觀判斷如mos法，讓人來聽聲音的好壞，主要是兩方面如可懂度、音質；二是客觀判斷如訊雜比、雜訊衰減程度、語音失真程度。一方面要儘量減少雜訊，另一方面要盡量避免語音失真。對於回聲消除主要看erle（回聲返回損失增強，殘留回聲能量/實際回聲能量），單講erle<-45db，雙講erle<-30db
8、調參的心得
首先得有乙個夠大夠好的資料集，以保證用資料集跑出來的引數是正確的，其次就分兩種情況：一是人工調參，把資料集扔到演算法中跑一邊，基於先驗模型得到乙個粗的引數，用這個引數再把資料集跑一邊，再得到乙個更準確一點的引數，迴圈往復就得到了乙個相對不錯的引數；另外就是機器調參，把含噪語音和純淨語音一股腦扔給機器，讓機器反覆迭代地跑，最終得到乙個好的引數。其實兩者各有利弊，傳統方法基於固定模型優點是實現簡單，只要是模型涵蓋的場景都可以處理，缺點自然是每種模型都有乙個處理範圍，超過這個範圍就沒用了；深度學習方法簡單來講就是要找到乙個萬能模型，可以適配各種場景，優點自然是一招制敵，缺點是需要大量的資料集覆蓋所有場景。目前現狀是傳統方法基本到了乙個瓶頸，想突破太困難，特別是對於非平穩雜訊，而深度學習就是新世界的大門，先不管門後面是不是乙個坑，進去再說，不然找工作都體現不出自己的段位。
jdbc一點小筆記
jdbc的常用介面的步驟，1使用driver或者class.forname 進行註冊驅動 2使用drivermanager進行獲取資料庫的鏈結 使用connection獲取語句物件 使用語句物件介面statement方法執行查詢或更新操作 查詢的resultset是結果集使用之前一定要先判斷是否存在...
關於new的一點筆記
必須delete用new建立物件的那個位址。而樓主pa getpointa 這樣其實已經改變了原來的那個new出來的位址，這時候delete就可能有問題了 如果getpointa返回的也是同一種型別的指標，且該指標也是被new出來的話，那麼delete pa這句話本身也不會出錯。否則，就錯了 另外，...
關於Binder的一點筆記
這個方法是用來將服務端的binder物件轉換成客戶端所需的aidl介面型別物件，這種轉換時區分程序的，那麼如何區分呢？咱們先做乙個實驗，建立乙個service，在乙個activity中繫結它，然後再將service設定為與activity同一程序和不再同一程序兩種情況，並列印出serviceconn...