【代码】鸿蒙HarmonyOS NEXT 5.0开发（2）—— ArkUI布局&组件。

文章目录1. 语音识别概述1.1 Token的表示1.2 Acoustic Feature2. 语音识别深度学习模型2.1 Listen，Attend，and Spell（LAS）2.2 CTC2.3 RNN-T2.4 Neural Transducer2.5 MoChA3. 语音识别传统模型3.1 隐马尔可夫模型3.2 Tandem3.3 DNN-HMM Hybrid4. alignmentB站

这篇文章是北航提出的一篇预测论文，在实际预测过程中，大多数需要基于长期的数据，否则根据短期数据预测出来的结果是不置信的，近年来的研究表明，transformer在时序序列预测上的潜力。

文章目录Vocoder1. Spectrogram2. Neural Vocoder2.1 WaveNet2.2 FFTNet2.3 WaveRNN2.4 WaveGlowVocodervocoder就是通过模型或方法将语音特征转换成对应的声音信号。1. Spectrogram频谱图的计算过程如下，和振幅相位有关，一段完整的声音包含振幅和相位的信息，因此要还原出原始声音不能仅包含频率信息，还应该包

多层级Encoder-Decoder：由于上一步会进行two-stage的注意力运算，因此在Decoder中会分别对不同阶段的结果进行解码，模型的输入最开始是细粒度patch，随着层数增加逐渐聚合成更粗粒度的patch。Dimension-Segment-Wise Embedding：对于多维时间序列，应该对每个维度的数据进行单独的数据表征，而不是在每个点位基于所有维度的数据进行数据表征，因此本文

Transformer笔记一、Transformer概览二、Encoder详解三、Decoder详解本文是根据哔哩哔哩up主视频讲解所写，加入了一些个人理解。视频地址：Transformer从零详细解读一、Transformer概览Transformer最初用于机器翻译，具体功能可以看成：进一步细分：再进一步细分：Encoder-Decoder结构，多个Encoder和Decoder个数可以自行设

本文是上海交通大学的团队发表的，背景仍然是如何降低计算复杂度&更好地进行长期依赖性关系的表征。

文章目录Speech Separation1. Evaluation1.1 Signal-to-noise ratio（SNR）1.2 Scale invariantsignal-to-distortion ratio（SI-SDR）2. Deep Clustering2.1 Masking3. Permutation Invariant Triaining（PIT）4. TasNet - Tim

基于深度学习的异常检测-TimesNet

文章目录1. 语音识别概述1.1 Token的表示1.2 Acoustic Feature2. 语音识别深度学习模型2.1 Listen，Attend，and Spell（LAS）2.2 CTC2.3 RNN-T2.4 Neural Transducer2.5 MoChA3. 语音识别传统模型3.1 隐马尔可夫模型3.2 Tandem3.3 DNN-HMM Hybrid4. alignmentB站