关于跳长的可微短时傅里叶变换
信号处理
2023-08-07 v1 机器学习
统计理论
机器学习
统计理论
摘要
在本文中，我们提出了一种短时傅里叶变换（STFT）的可微版本，通过将这些参数连续化，允许对跳长或帧时间位置进行基于梯度的优化。我们的方法提供了对帧时间定位的改进控制，因为跳长的连续性允许更精细的优化。此外，我们的贡献使得能够使用如梯度下降等优化方法，这些方法比传统的离散优化方法计算效率更高。我们的可微 STFT 也可轻松集成到现有算法和神经网络中。我们给出了一个仿真示例以展示我们方法的有效性并引起研究界的兴趣。
引用
@article{arxiv.2308.02421,
title = {Differentiable short-time Fourier transform with respect to the hop length},
author = {Maxime Leiber and Yosra Marnissi and Axel Barrau and Mohammed El Badaoui},
journal= {arXiv preprint arXiv:2308.02421},
year = {2023}
}
备注
Accepted for IEEE Statistical Signal Processing workshop 2023. IEEE, 2023