通过使用基于动态编程（DP）和深神经网络（DNN）的跟踪器来研究本研究中的制剂跟踪。使用DP方法，比较六种形成六种形成六种方法。六种方法包括线性预测（LP）算法，加权LP算法和最近开发的准闭合前后向后（QCP-FB）方法。 QCP-FB在比较中给出了最佳性能。因此，提出了一种基于QCP-FB的深度学习和信号处理的益处的一种新型格式跟踪方法。在这种方法中，基于DNN的跟踪器从语音帧预测的格式是使用来自同一帧的QCP-FB计算的全极频谱的峰值来改进。结果表明，与参考的格式跟踪器相比，所提出的基于DNN的跟踪器在最低三个塑料中的检测速率和估计误差均更好。例如，与流行的Wavesurefer相比，所提出的跟踪器分别在最低三种矿物的估计误差中减少了29％，48％和35％。
translated by 谷歌翻译