利用神经网络外推中垂面上低仰角HRTF 的方法

华南理工大学学报（自然科学版） ›› 2007, Vol. 35 ›› Issue (9): 20-25.

• 电子、通信与自动控制 • 上一篇下一篇

利用神经网络外推中垂面上低仰角HRTF 的方法

钟小丽

华南理工大学物理科学与技术学院，广州广东 510640

收稿日期:2006-10-12 出版日期:2007-09-25 发布日期:2007-09-25
通信作者: 钟小丽(1975-) ，女，博士，讲师，主要从事音频信号处理和电声技术方面的研究. E-mail:xlzhong@ scut.edu. cn
作者简介:钟小丽(1975-) ，女，博士，讲师，主要从事音频信号处理和电声技术方面的研究.
基金资助:
国家自然科学基金资助项目(1 0374031 )

Method to Extrapolate HRTF at Low Elevation of Median Plane by Means of Neural Network

Zhong Xiao-li

School of Physical Science and Technology , South China Univ. of Techn. , Guangzhou 510640 , Guangdong , China

Received:2006-10-12 Online:2007-09-25 Published:2007-09-25
Contact: 钟小丽(1975-) ，女，博士，讲师，主要从事音频信号处理和电声技术方面的研究. E-mail:xlzhong@ scut.edu. cn
About author:钟小丽(1975-) ，女，博士，讲师，主要从事音频信号处理和电声技术方面的研究.
Supported by:
国家自然科学基金资助项目(1 0374031 )

摘要/Abstract

摘要： 为了构建关于仰角方向连续的头相关传输函数(HRTF) ，提出采用径向基函数神经网络外推中垂面上低仰角方向HRTF 的方法.基于KEMAR 人工头和真人的数据，对3种不同网络输入方式下外推方法的有效性进行了研究.结果表明:外推值和测量值的相关系数可达0.93; 增大网络输入的数据量、减小外推方向和已知方向的空间距离可提高外推的准确性;外推的误差随频率的升高而增大.

关键词: 头相关传输函数, 外推, 神经网络, 虚拟现实

Abstract:

In order to construct a continuous head-related transfer function (HRTF) along elevation , a method to extrapolate the HRTF at low elevation of the median plane is proposed based on the radial basis function (RBF) neural network. Then , according to the data of KEMAR mannequin and a human being , the performances of the proposed method in three network input methods are analyzed. The results show that the correlative coefficient between he extrapolated and the measured HRTFs is as high as O. 93 , that the extrapolation accuracy can be improved by increasing the data of network input and by reducing the spatial distance between the extrapolated and the known directions , and that the extrapolation error increases with frequency.

Key words: head-related transfer function, extrapolation, neural network, virtual reality

钟小丽. 利用神经网络外推中垂面上低仰角HRTF 的方法[J]. 华南理工大学学报（自然科学版）, 2007, 35(9): 20-25.

Zhong Xiao-li. Method to Extrapolate HRTF at Low Elevation of Median Plane by Means of Neural Network[J]. Journal of South China University of Technology (Natural Science Edition), 2007, 35(9): 20-25.

[1]	方港, 袁珑华, 王晓明, 等. 基于集合卡尔曼-Elman网络的软测量建模方法[J]. 华南理工大学学报(自然科学版), 2023, 51(8): 126-136.
[2]	马晓亮, 安玲玲, 邓从健, 等. 基于行业词表的自动语音转写后优化技术[J]. 华南理工大学学报(自然科学版), 2023, 51(8): 118-125.
[3]	朱铮宇, 罗超, 贺前华, 等. 基于唇重构与三维耦合CNN的多视角音唇一致性判别[J]. 华南理工大学学报(自然科学版), 2023, 51(5): 70-77.
[4]	叶峰, 陈彪, 赖乙宗. 基于特征空间嵌入的对比知识蒸馏算法[J]. 华南理工大学学报(自然科学版), 2023, 51(5): 13-23.
[5]	刘怡俊, 曹宇, 叶武剑, 等. 基于FPGA并行加速的脉冲神经网络在线学习硬件结构的设计与实现[J]. 华南理工大学学报(自然科学版), 2023, 51(5): 104-113.
[6]	冷晟, 付有为, 马万太, 等. 基于GA-BP神经网络的喷射成形锭坯形貌调控技术[J]. 华南理工大学学报(自然科学版), 2023, 51(2): 27-34.
[7]	杨旭锋, 刘泽清, 张懿. 基于贝叶斯神经网络的金属材料P-S-N曲线估计[J]. 华南理工大学学报(自然科学版), 2023, 51(11): 82-92.
[8]	许伦辉, 余佳芯, 裴明阳, 等. 基于几何路网结构和强化学习的车辆重定位策略[J]. 华南理工大学学报(自然科学版), 2023, 51(10): 99-109.
[9]	李潇, 汪涛, 张毅, 等. 网联车混行条件下交通流量融合方法[J]. 华南理工大学学报(自然科学版), 2022, 50(5): 49-55.
[10]	兰凤崇, 张越, 陈吉清, 等. 人车碰撞事故中行人伤亡风险的关联性分析与预测 [J]. 华南理工大学学报(自然科学版), 2022, 50(5): 1-10.
[11]	杨春玲杨雅静. 基于多尺度特征逐层融合深度神经网络的无参考图像质量评价方法研究[J]. 华南理工大学学报(自然科学版), 2022, 50(4): 81-89,141.
[12]	邱志斌, 卢祖文, 王海祥, 等. 基于Mel频谱图和CNN的电网涉鸟故障鸟声识别[J]. 华南理工大学学报(自然科学版), 2022, 50(2): 129-136.
[13]	邢晓芬, 李敏盛, 徐向民. 基于自适应亮度调节的图像情感转换[J]. 华南理工大学学报(自然科学版), 2022, 50(12): 1-12.
[14]	蔡晓东, 曾志杨. AFGSRec：一种自适应融合全局协同特征的社交推荐模型[J]. 华南理工大学学报(自然科学版), 2022, 50(12): 71-79.
[15]	陆以勤, 潘周双, 张洋, 等. 基于交互式连接图注意力网络的知识图谱补全方法[J]. 华南理工大学学报(自然科学版), 2022, 50(12): 13-19.

利用神经网络外推中垂面上低仰角HRTF 的方法

Method to Extrapolate HRTF at Low Elevation of Median Plane by Means of Neural Network

PDF

可视化

摘要/Abstract

引用本文

使用本文

参考文献

相关文章 15

编辑推荐

Metrics

本文评价