CN120220714A 超低功耗端侧ai音频信号处理方法及系统

GO6N5/04(20道龙腾社区汇智研发中心A座2202公司441109G1OL21/0272(20GO6N20/10(201本发明涉及一种超低功耗端侧AI音频信号分析和变分贝叶斯定点运算，得到量化噪声参性核函数和二阶泰勒展开的序列最小优化算法对输入音频信号进行分帧和对数压缩处理，得到目标频谱数据，并对目标频谱数据进行分解，得到调制周提取调制周期信号的主周期特征和量化噪声参数的频带特征，并根据主周期特征和频带特征构建目标判别性核函数和二阶泰勒展开的序列最小优化算法进行训练，得到音频处理模型21.一种超低功耗端侧AI音频信号处理方法，其特征在于，包括以下步骤：对输入音频信号进行分帧和对数压缩处理，得到目标频谱数据，并对所述目标频谱数据进行分解，得到调制周期信号和非调制信号；对所述非调制信号执行临界频带分析和变分贝叶斯定点运算，得到量化噪声参数；提取所述调制周期信号的主周期特征和所述量化噪声参数的频带特征，并根据所述主周期特征和所述频带特征构建目标判别特征；将所述目标判别特征输入径向基支持向量机，采用分段线性核函数和二阶泰勒展开的序列最小优化算法进行训练，得到音频处理模型。2.根据权利要求1所述的超低功耗端侧AI音频信号处理方法，其特征在于，所述对输入音频信号进行分帧和对数压缩处理，得到目标频谱数据，并对所述目标频谱数据进行分解，得到调制周期信号和非调制信号，包括：对输入音频信号进行分帧，并设置相邻帧的重叠长度，得到音频信号帧序列；对所述音频信号帧序列中的每一帧信号减去该帧信号的均值，并通过一阶FIR滤波器对所述预处理信号帧施加Hamming窗函数，并执行快速傅里叶变换将时域信号转换为从所述频域谱数据中提取频谱信息，并计算幅度谱，得到初始频谱数据；对所述初始频谱数据执行动态范围压缩运算，将幅度谱转换为对数谱，得到对数压缩频谱，将所述对数压缩频谱进行分段处理并进行频带能量归一化，得到目标频谱数据；对所述目标频谱数据进行线性衰减分解，得到调制周期信号和非调制信号。3.根据权利要求2所述的超低功耗端侧AI音频信号处理方法，其特征在于，所述对所述目标频谱数据进行线性衰减分解，得到调制周期信号和非调制信号，包括：对所述目标频谱数据进行归一化，生成N个高斯白噪声序列，并对每个高斯白噪声序列乘以初始噪声强度系数，得到初始噪声序列组；对所述初始噪声序列组中的每个噪声序列，根据当前分解层数，将噪声强度系数进行将所述目标频谱数据与所述线性衰减噪声序列分别叠加，执行希尔伯特变换得到解析对所述模态分量进行零均值处理，迭代执行所述线性衰减噪声序列叠加和希尔伯特变换，直至所述模态分量的标准差小于预设阈值，得到本征模态函数；计算所述本征模态函数的自相关系数，将自相关系数大于系数阈值的模态分量归类为调制周期信号，其余模态分量归类为非调制信号。4.根据权利要求1所述的超低功耗端侧AI音频信号处理方法，其特征在于，所述对所述非调制信号执行临界频带分析和变分贝叶斯定点运算，得到量化噪声参数，包括：将所述非调制信号按照梅尔频率刻度划分为多个临界频带，各临界频带的中心频率按照人耳听觉特性呈非均匀分布，并对每个临界频带内的信号进行滤波，得到临界频带信号对所述临界频带信号组中的每个频带信号进行短时傅里叶变换，得到频带能量谱矩阵，并对所述频带能量谱矩阵执行定点运算的K-means聚类，得到简化频带模型；3对所述简化频带模型的每个临界频带计算四阶矩统计量，并将所述四阶矩统计量作为伽马分布的形状参数和尺度参数的初值，通过定点运算的最大似然估计得到频带分布参将所述频带分布参数输入变分贝叶斯推理模型，采用对角近似的协方差矩阵降低计算对所述优化频带参数进行定点数量化，并通过查表方式实现定点运算的概率密度计5.根据权利要求1所述的超低功耗端侧AI音频信号处理方法，其特征在于，所述提取所述调制周期信号的主周期特征和所述量化噪声参数的频带特征，并根据所述主周期特征和所述频带特征构建目标判别特征，包括：对所述调制周期信号进行希尔伯特变换并提取瞬时频率序列，基于相邻极大值点的时间间隔统计得到主周期特征；对所述主周期特征计算频域谐波系数，提取前M个谐波分量的幅值和相位信息，并通过基于所述量化噪声参数对每个频带伽马分布的形状参数和尺度参数进行差分编码，并计算相邻频带参数的互相关系数，得到频带特征；将所述谐波特征向量与所述频带特征进行拼接，通过坐标下降法的Lasso算法设置0.85的稀疏度阈值进行特征选择，得到目标判别特征。6.根据权利要求1所述的超低功耗端侧AI音频信号处理方法，其特征在于，所述将所述目标判别特征输入径向基支持向量机，采用分段线性核函数和二阶泰勒展开的序列最小优将所述目标判别特征输入径向基支持向量机，基于径向基核函数构建核矩阵，并将指数运算区间划分为三段，在每段区间内采用不同斜率的线性函数进行拟合，得到分段线性核函数；对所述分段线性核函数的计算结果构建Hessian矩阵，基于泰勒公式将Hessian矩阵在当前迭代点处展开至二阶项，并通过Cholesky分解将Hessian矩阵表示为上三角矩阵形式，得到二次规划问题；根据所述二次规划问题构建序列最小优化的目标函数，对拉格朗日乘子进行初始化，得到优化问题的初始解，并基于所述初始解计算拉格朗日乘子的更新方向；沿所述更新方向对拉格朗日乘子进行迭代优化，得到支持向量的权重系数，并对所述权重系数进行稀疏化处理，通过查表方式实现分段线性核函数的计算，得到音频处理模型。7.根据权利要求1所述的超低功耗端侧AI音频信号处理方法，其特征在于，所述超低功耗端侧AI音频信号处理方法还包括：将所述音频处理模型部署至三核处理器，第一核执行信号预处理和特征提取，第二核执行模型推理，第三核执行信号合成，通过双缓冲FIFO队列实现核间数据传输，得到流水线处理架构；对每个处理核的运行状态进行监测，当CPU占用率超过第一目标值时将任务负载分配给空闲核心，当内存占用率超过第二目标值时对中间数据进行压缩存储，得到资源调度策4根据所述资源调度策略，对三个处理核的工作频率进行动态调整，得到处理核工作参基于所述音频处理模型的分类结果，对输入音频信号的调制周期信号和非调制信号进行分离，通过维纳滤波器对非调制信号执行噪声抑制，得到第一增强信号；对所述第一增强信号与所述调制周期信号执行子带合成，基于所述量化噪声参数对每个频带的增益系数进行自动调节，通过重叠相加法完成信号重构，得到第二增强信号；将所述第二增强信号通过交叠叠加处理进行平滑过渡，并执行去加重滤波补偿频率响8.一种超低功耗端侧AI音频信号处理系统，其特征在于，用于实现权利要求1至7中任分解单元，用于对输入音频信号进行分帧和对数压缩处理，得到目标频谱数据，并对所述目标频谱数据进行分解，得到调制周期信号和非调制信号；运算单元，用于对所述非调制信号执行临界频带分析和变分贝叶斯定点运算，得到量化噪声参数；构建单元，用于提取所述调制周期信号的主周期特征和所述量化噪声参数的频带特征，并根据所述主周期特征和所述频带特征构建目标判别特征；训练单元，用于将所述目标判别特征输入径向基支持向量机，采用分段线性核函数和二阶泰勒展开的序列最小优化算法进行训练，得到音频处理模型。5超低功耗端侧AI音频信号处理方法及系统技术领域[0001]本发明涉及音频信号处理技术领域，特别涉及一种超低功耗端侧AI音频信号处理方法及系统。背景技术[0002]随着智能耳机、智能音箱等端侧设备的普及，端侧音频处理技术在日常生活中的应用越来越广泛。这些设备通常需要在资源受限的环境下实现音频信号的实时处理，包括噪声消除、音频增强等功能。然而，传统的音频处理方法往往计算复杂度高，在端侧设备上难以实现实时处理。[0003]在实际应用场景中，音频信号通常包含人声、环境声和背景噪声的混合。其中，具有周期性调制特征的环境声可以建模为二阶循环平稳信号。虽然已有大量研究致力于从单通道麦克风中提取人声分量，但在资源受限的终端设备上从噪声环境中提取二阶循环平稳信号组件仍然是一项重大挑战。发明内容[0004]本发明的主要目的为提供一种超低功耗端侧AI音频信号处理方法及系统，本发明实现了调制周期信号和非调制信号的精确分离，实现了系统资源的高效利用和功耗的精确[0005]为实现上述目的，本发明提供了一种超低功耗端侧AI音频信号处理方法，包括以下步骤：对输入音频信号进行分帧和对数压缩处理，得到目标频谱数据，并对所述目标频谱数据进行分解，得到调制周期信号和非调制信号；对所述非调制信号执行临界频带分析和变分贝叶斯定点运算，得到量化噪声参提取所述调制周期信号的主周期特征和所述量化噪声参数的频带特征，并根据所述主周期特征和所述频带特征构建目标判别特征；将所述目标判别特征输入径向基支持向量机，采用分段线性核函数和二阶泰勒展开的序列最小优化算法进行训练，得到音频处理模型。[0006]本发明还提供了一种超低功耗端侧AI音频信号处理系统，包括：分解单元，用于对输入音频信号进行分帧和对数压缩处理，得到目标频谱数据，并对所述目标频谱数据进行分解，得到调制周期信号和非调制信号；运算单元，用于对所述非调制信号执行临界频带分析和变分贝叶斯定点运算，得到量化噪声参数；构建单元，用于提取所述调制周期信号的主周期特征和所述量化噪声参数的频带特征，并根据所述主周期特征和所述频带特征构建目标判别特征；训练单元，用于将所述目标判别特征输入径向基支持向量机，采用分段线性核函6数和二阶泰勒展开的序列最小优化算法进行训练，得到音频处理模型。[0007]综上所述，本发明提供的技术方案通过采用定点运算的快速傅里叶变换、分段线性核函数替代指数运算、二阶泰勒展开简化计算等技术，显著降低了计算复杂度，使算法能够在资源受限的端侧设备上高效运行。通过对频带能量谱矩阵执行K-means聚类简化模型、对模型参数进行定点数量化、采用查表方式实现概率密度计算等方法，大幅减少了存储空间占用。基于三核流水线架构和双缓冲FIFO队列的设计，实现了信号预处理、模型推理和信号合成的并行处理，确保了实时处理性能。通过CPU占用率和内存使用率的实时监测，结合动态任务分配和核心频率调整策略，实现了系统资源的高效利用和功耗的精确控制。采用改进的线性衰减ICEEMDAN算法进行信号分解，结合变分贝叶斯定点运算进行参数估计，实现了调制周期信号和非调制信号的精确分离。通过频带自动增益调节、交叠叠加平滑处理等技术，提高了系统在实际应用环境下的鲁棒性和可靠性。附图说明[0008]图1是本发明一实施例中超低功耗端侧AI音频信号处理方法步骤示意图；图2是本发明一实施例中超低功耗端侧AI音频信号处理系统结构框图。[0009]本发明目的的实现、功能特点及优点将结合实施例，参照附图做进一步说明。具体实施方式[0010]为了使本发明的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本发明进行进一步详细说明。应当理解，此处描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。[0011]参照图1,本实施例提供了一种超低功耗端侧AI音频信号处理方法，包括以下步S1,对输入音频信号进行分帧和对数压缩处理，得到目标频谱数据，并对目标频谱数据进行分解，得到调制周期信号和非调制信号；其中，对输入音频信号进行分帧处理，将连续的音频信号划分为多个时间窗口，并在相邻帧之间设置一定的重叠长度，以确保帧间信息的平滑过渡，减少信息损失，得到音频信号的帧序列。对音频信号帧序列中的每一帧信号减去该帧信号的均值，以消除直流分量，提高后续信号处理的准确性。在此基础上，为了增强高频信号成分并抑制低频分量，通过一阶有限脉冲响应(FIR)滤波器进行预加重处理，得到预处理信号帧。对预处理信号帧施加汉明窗函数，从而在执行频谱分析时降低频谱泄漏对分析精度的影响。对加窗后的时域信号执行快速傅里叶变换，将信号从时域转换到频域，得到频域谱数据。从频域谱数据中提取频谱信息，包括计算频谱的幅度分布，即通过计算复数频谱的模值来获取幅度谱，得到初始频谱数据。在这一过程中，由于频域谱数据具有较大的动态范围，因此对其进行动态范围压缩处理，以提高微弱信号的可区分性，并减少幅度差异过大的问题。为了实现动态范围压缩，采用对数运算对幅度谱进行变换，得到对数压缩频谱。对对数压缩频谱进行分段处理，并对各个分段的频带能量进行归一化，以减少频谱在不同频率区域上的能量不均衡问题，得到目标频谱数据。对目标频谱数据进行信号分解，以区分不同的音频成分。采用线性衰减分解方法，将目标频谱数据分解为调制周期信号和非调制信号，其中调制周期信号对应于具有7一定周期性的声音信号，例如语音或音乐信号，而非调制信号则主要对应于环境噪声、瞬态噪声等非周期性信号。调制周期信号的提取基于周期性分析方法，例如自相关函数或者希尔伯特变换，以便识别信号中的主周期成分，而非调制信号的分解则基于噪声建模方法，通过分析信号在不同频带上的能量分布特性，提取出与背景噪声相关的成分。[0012]对目标频谱数据进行归一化处理，以确保后续计算的数值稳定性，并减少不同信号分量之间的能量差异，提高分解的精度。生成N个高斯白噪声序列，以便在后续的线性衰减分解过程中用于构造噪声辅助信号。高斯白噪声序列的作用在于提供一个随机扰动基准，使得后续的信号分解更有效地捕捉信号的本征模态成分。为了调整噪声的强度，每个高斯白噪声序列乘以一个初始噪声强度系数，得到初始噪声序列组，该初始噪声强度系数的设定与目标信号的动态范围相关，以确保噪声对信号分解的影响处于可控范围之内。根据当前的分解层数，对初始噪声序列组中的每个噪声序列施加线性衰减运算，即在每一层分解时，逐步降低噪声强度系数，以便控制噪声对信号分解的影响范围，生成线性衰减噪声序列。将目标频谱数据与线性衰减噪声序列分别叠加，以构造包含噪声扰动的信号，并对其执行希尔伯特变换，获取信号的解析形式。希尔伯特变换能够将原始信号扩展为复数形式，提取信号的幅度包络和瞬时频率信息，同时便于计算信号的局部均值。计算每个解析信号的局部均值，从信号中提取出模态分量，这些模态分量代表信号在不同时间尺度下的特征信息。对模态分量进行零均值处理，即对每个模态分量的均值进行归零，并迭代执行线性衰减噪声序列的叠加和希尔伯特变换，持续进行信号分解，直到模态分量的标准差小于预设的阈值，此时认为信号已经分解为稳定的本征模态函数。本征模态函数代表信号在不同频率范围内的固有振荡模式。计算每个本征模态函数的自相关系数，以便分析其周期性特征。自相关系数的计算揭示信号是否具有显著的周期性模式，而周期性强的信号对应于语音、音乐等具有规律性变化的音频成分。设置一个系数阈值，当某个模态分量的自相关系数大于该阈值时，将其归类为调制周期信号，这些信号包含语音的基音信息、共振峰以及其他具有周期性的声学特征。而对于剩余的模态分量，即自相关系数低于阈值的部分，则归类为非调制信号，这些信号包含背景噪声、环境音以及其他非周期性音频成分。[0013]S2,对非调制信号执行临界频带分析和变分贝叶斯定点运算，得到量化噪声参数；具体的，对非调制信号进行梅尔频率刻度划分，人耳对不同频率的感知能力并不是线性分布的，而是更倾向于对低频信号更加敏感。因此，在进行划分时，按照梅尔标度进行非均匀分布的临界频带划分，使得每个临界频带的中心频率符合人耳听觉特性，更好地适应自然听觉系统对信号的处理方式。划分完成后，对每个临界频带内的信号进行滤波，得到临界频带信号组，以确保信号在各自的频率范围内独立处理，并避免不必要的频带干扰。对临界频带信号组中的每个频带信号进行短时傅里叶变换，转换为频域表示，并得到相应的频带能量谱矩阵，描述每个临界频带在不同时间片上的能量变化情况。对频带能量谱矩阵执行定点运算的K-means聚类。通过K-means聚类，将复杂的能量谱信息简化为一组具有代表性的频带模型，从而降低计算复杂度。对简化后的频带模型进行高阶统计量分析，计算每个临界频带的四阶矩统计量，有效地描述信号分布的峰度和偏度。将四阶矩统计量用作伽马分布的初始参数，其中四阶矩的计算结果用于估计伽马分布的形状参数和尺度参数。通过定点运算的最大似然估计方法优化参数估计过程，得到频带分布参数。将频带分布参数输入变分贝叶斯推理模型，以优化频带参数。采用对角近似的方法降低计算复杂度。对角8近似的协方差矩阵简化变分推理的计算过程，使得在端侧设备上能够高效执行贝叶斯推理，从而在有限的计算资源下优化频带参数。对优化后的频带参数进行定点数量化，以适应端侧设备的低功耗计算需求。定点数量化的核心是将连续数值映射到有限的离散数值集合，以便减少存储和计算开销。在此基础上，采用查表方式实现定点运算的概率密度计算。查表方法将复杂的计算过程预先存储为查找表，使得在实际计算时仅需进行索引查找，从而显著减少计算时间，最终获得量化噪声参数。[0014]S3,提取调制周期信号的主周期特征和量化噪声参数的频带特征，并根据主周期特征和频带特征构建目标判别特征；需要说明的是，对调制周期信号执行希尔伯特变换，以获取信号的解析表示。希尔伯特变换的目的是分离信号的瞬时振幅和瞬时相位，从而计算瞬时频率序列。瞬时频率反映信号在时间轴上的动态变化特性。对瞬时频率进行局部极值点分析，即检测瞬时频率序列中的局部极大值，并统计相邻极大值点之间的时间间隔，以此获得主周期特征。对主周期特征进行频域分析，以计算频域谐波系数。谐波系数的计算方法是对主周期特征进行傅里叶变换，从变换结果中提取前M个谐波分量的幅值和相位信息。由于端侧设备的计算资源有限，在存储谐波特征时采用16位定点数表示，以减少存储开销并提高计算效率。定点数表示有效地降低浮点计算的复杂度，从而适应超低功耗的计算需求。得到的谐波特征向量包含谐波分量的能量信息以及相位特性，从而描述调制周期信号的谐波结构。同时，基于量化噪声参数对每个频带伽马分布的形状参数和尺度参数进行处理。采用差分编码的方法对形状参数和尺度参数进行压缩，使得相邻频带之间的参数变化被更紧凑地表示。差分编码是一种有效的数据压缩方法，能够减少存储需求并降低计算复杂度。为了提取频带特征，计算相邻频带参数的互相关系数，分析不同频带之间的统计依赖关系，从而捕捉到噪声信号在不同频率区域的关联特性。通过互相关系数的计算，建立频带特征向量，表征噪声信号的分布模式。将谐波特征向量与频带特征进行拼接，并采用特征选择方法来降低特征维度，提高计算效率。使用坐标下降法的Lasso算法进行特征选择，并设置稀疏度阈值为0.85.Lasso算法通过正则化约束对特征权重进行稀疏化，从而筛选出最具区分度的特征分量，得到目标判别特征。[0015]S4,将目标判别特征输入径向基支持向量机，采用分段线性核函数和二阶泰勒展开的序列最小优化算法进行训练，得到音频处理模型。[0016]具体的，将目标判别特征输入径向基支持向量机，支持向量机基于径向基核函数度量输入特征的非线性映射。在径向基支持向量机中，通过对输入数据进行核化，将数据从原始空间映射到高维空间，使得数据变得线性可分。为了优化计算效率，基于径向基核函数构建核矩阵，并将指数运算区间划分为三段。在每一段区间内，采用不同斜率的线性函数进行拟合，形成分段线性核函数。使用分段线性核函数的计算矩阵是二次优化问题中的核心要素，描述目标函数的二阶导数信息，帮助优化算法判断最优解的收敛性。在构建Hessian矩阵后，基于泰勒公式，将其在当前迭代点处展开至二阶项，以便进行更精确的近似计算。并通过对Hessian矩阵进行Cholesky分解，将其转换为上三角矩阵形式，从而简化后续的计算步骤，避免直接求解矩阵逆的高计算开销。通过展开得到的Hessian矩阵构成二次规划问题，并基于该问题构建序列最小优化的目标函数，从而在优化过程中通过逐步逼近最优解，以减少计算量并提高精度。在初始化时，对拉格朗日乘子进行9合理的设置，以便为优化过程提供初始解。拉格朗日乘子在支持向量机的训练过程中起到约束优化问题的作用，通过合理初始化拉格朗日乘子，确保算法快速收敛到有效的解空间中。在初始化根据当前的解计算拉格朗日乘子的更新方向，并沿着这个方向进行迭代优化。通过不断调整拉格朗日乘子，支持向量机的优化问题逐渐逼近最优解，得到支持向量的权重系数。对权重系数进行稀疏化处理，减少不必要的计算，通过将权重系数中不重要或接近零的部分置零，降低模型的计算复杂度。稀疏化后的权重系数通过查表方式实现分段线性核函数的计算，从而提高计算效率并减少功耗，得到音频处理模型。[0017]将音频处理模型部署到三核处理器上，以构建高效的流水线处理架构。第一核负责信号预处理和特征提取，包括音频信号的分帧、对数压缩、频谱分析以及目标判别特征的计算。而第二核则执行核心的模型推理任务，即基于径向基支持向量机以及分段线性核函数进行分类，并利用优化后的权重系数计算音频信号的类别，为后续的信号增强提供判别依据。同时，第三核负责信号合成，在获得分类结果后对信号进行重构和增强处理，使最终的输出音频具有更好的质量和清晰度。为了在多核架构下高效传输数据，各个处理核心之间采用双缓冲FIFO队列进行数据交换，在保证数据流畅传输的同时减少处理延迟，使整个系统的运行更具实时性和稳定性，形成高效的流水线处理架构。在多核系统中，对每个处理核的运行状态进行实时监测，以确保计算资源得到充分利用。当CPU的占用率超过设定的第一目标值时，系统自动检测是否有空闲核心，并将部分任务负载分配给未被充分利用的核心，实现动态均衡计算负载的目的。而在内存管理方面，为了避免数据占用过多的存储空间，当内存使用率超过设定的第二目标值时，自动对中间数据进行压缩存储，以减少存储压力并提高数据访问效率。通过智能调度方式，整个系统在计算资源有限的情况下保持高效稳定的运行，形成有效的资源调度策略。基于资源调度策略，对三个处理核的工作频率进行动态调整，以优化能耗和性能的平衡。当系统检测到任务负载较低时，降低核心频率，以减少功耗；而当计算需求较高时，提高核心频率，以确保任务的实时性和计算效率。通过动态调整工作频率，在不同计算需求下自动适应，从而提高整体的能效比，使得端侧AI音频信号处理既能满足实时性需求，又能保持低功耗特性，适用于各种低功耗嵌入式平台。在音频信号的处理过程中，基于训练好的音频处理模型，对输入的音频信号进行调制周期信号和非调制信号的分离。由于调制周期信号包含语音或音乐等重要音频信息，而非调制信号对应环境噪声或背景干扰，对非调制信号执行噪声抑制，以提高音频质量。采用维纳滤波器对非调制信号进行处理，维纳滤波基于最优线性估计理论，有效抑制噪声并保留语音信号的主要特征，经过滤波后得到第一增强信号。将第一增强信号与调制周期信号进行子带合成，以优化音频质量。基于量化噪声参数对每个频带的增益系数进行自动调节，使得不同频带的信号增强程度符合噪声特性，从而在增强语音清晰度的同时避免过度增强引入的失真。通过重叠相加法完成信号重构，使得信号在时域上保持平滑的连接，同时确保增强后的音频信号在时间和频率维度上都具有较好的连续性，得到第二增强信号。将第二增强信号通过交叠叠加处理进行平滑过渡，有效减少分帧处理带来的边界效应，使得合成信号在连续播放时不会产生不必要的断裂或不平滑的听感。对第二增强信号执行去加重滤波，以恢复其原始的频率响应特性，从而确保最终的音频输出既具备高质量的增强效果，又能够保持自[0018]在一个示例中，对输入音频信号进行分帧和对数压缩处理，得到目标频谱数据，并对音频信号帧序列中的每一帧信号减去该帧信号的均值，并通过一阶FIR滤波器便减少帧与帧之间的边界效应。设定一个合适的重叠长度确保相邻帧之间有足够的相似xi(n)(其中n为时间索引),该帧信号的均值,则每帧信号经过均值去对加权后的信号进行快速傅里叶变换，将时域信号转换为域信号的频点索引，j是虚数单位。通过快速傅里叶变换得到的频域信号Xk即为频域谱数其中R(Xk)和I(Xk)分别是Xk的实部和虚部。得到幅度谱后，构建初始频谱数据对初始噪声序列组中的每个噪声序列，根据当前分解层数将目标频谱数据与线性衰减噪声序列分别叠加，执行希尔伯特变换得到解析信对模态分量进行零均值处理，迭代执行线性衰减噪声序列叠加和希尔伯特变换，直至模态分量的标准差小于预设阈值，得到本征模态函数；计算本征模态函数的自相关系数，将自相关系数大于系数阈值的模态分量归类为调制周期信号，其余模态分量归类为非调制信号。[0021]在这个示例中，对目标频谱数据进行归一化，以确保数据的数值范围处于一个稳定的区间，使得后续计算不会因幅度差异过大而造成数值溢出或者影响算法的稳定性。假设目标频谱数据为Sk,其中k代表频率索引，则归一化表示为：其中，Sk表示归一化后的目标频谱数据，min(Sk)和max(Sk)分别表示目标频谱数据的最小值和最大值。在完成归一化后，生成N个高斯白噪声序列，以提供随机扰动，使得后续的分解算法有效分离不同模态成分。高斯白噪声表示为：其中，Wn(k)表示第n个高斯白噪声序列，均值为0,方差为1。这些噪声序列用于后续的分解过程中，通过调整其强度模拟信号中的不同模态特征。在生成噪声序列后，对每个高斯白噪声序列乘以初始噪声强度系数αo,得到初始噪声序列组。初始噪声序列表示为：号的能量大小进行设定，以确保噪声不会对信号造成过大的破坏。根据当前的分解层数m,对每个噪声序列进行线性衰减，以控制不同层次上的噪声影响程度。设定噪声衰减系数αm以保证随着分解层次的增加，噪声强度逐步降低，其衰减形式表示为：其中，入是控制衰减速度的参数，取一个小的正数以确保噪声衰减平缓。当m增大列表示为：完成线性衰减后，将目标频谱数据Sk与线性衰减噪声序列Nn(k)进行叠加，以形成新的混合信号：对混合信号执行希尔伯特变换，以获得信号的解析形式。希尔伯特变换用于计算信号的包络和瞬时频率，它的数学表达式为：局部均值通过以下公式计算：其中，K是频率索引的总数。继续迭代执行线性衰减噪声序列叠加和希尔伯特变于信号的周期性分析。为了将分解后的本征模态函数归类为调制周期信号或非调制信号，某个本征模态函数的最大自相关系数超过设定的系数阈值Rth,则认为该信号具有周期性，将非调制信号按照梅尔频率刻度划分为多个临界频带，各临对临界频带信号组中的每个频带信号进行短时傅里叶变换，得到频带能量谱矩对简化频带模型的每个临界频带计算四阶矩统计量，并将对优化频带参数进行定点数量化，并通过查表方式实现定点运算的概率密度计其中，Xb(t)代表第b个频带的滤波后信号，hb(t)是对应的带通滤波器的脉冲响其中，Q为定点数的小数位数。通过查表方式实现定点运算的概率密度计算：将谐波特征向量与频带特征进行拼接，通过坐标下降法的Lasso算法设置0.85的局部极大值点tk,统计相邻极大值点的时间间隔Tk=tk+1-tk,其谐波分量是主周期频率fp=1/Tp的整数倍，设其第m个谐波分量的频率为则幅值和相位的定点化表示如下：其中，Am和ôm分别为谐波幅值和相位的定点数表示。通过提取前M个谐波分量的幅值和相位信息，并存储为定点数格式，得到谐同时，基于量化噪声参数计算频带特征。设定每个频带的伽马分布参数(kb,θb),为了衡量相邻频带之间的相关性，计算互相关系数：带特征向量表示为：VF=[△k₁,△θ1,P1,2,△k₂,△θ2,P2,3…,△kB-1,△θB-1,PB-将谐波特征向量VH与频带特征向量VF进行拼接，得到完整的特征向量：由于特征维度较高，通过特征选择方法筛选出最具代表性的特征。采用Lasso(最小绝对收缩和选择算子)算法进行特征选择，其目标函数为：正则化实现特征稀疏化，从而筛选出最有区分度的特征。在优化过程中，采用坐标下降法进通过设置稀疏度阈值为0.85,即仅保留绝对值较大的15%将目标判别特征输入径向基支持向量机，基于径向基核函数核函数；根据二次规划问题构建序列最小优化的目标函数，对拉格朗日乘子进行初始化，K(x;,xj)=exp(-yIx₁-阶展开方式能够提高优化的收敛速度，并减少不必要的计算量。通过Cholesky分解将Hessian矩阵转换为上三角矩阵形式，以便简化二次规划问题的求解：其中，L是一个下三角矩阵，Hessian矩阵的求解通过回代法高效完成。在得到二次规划问题后，使用序列最小优化算法构建优化目标函数，逐步优化拉格朗日乘子α以找到支持向量机的最优解，其优化目标为：其中，αi是对应于每个样本的拉格朗日乘子。序列最小优化算法通过对一对拉格在每次迭代中，根据优化方向更新拉格朗日乘子。设定更新方向为△αi,则迭代更新规则为：对支持向量的权重系数进行稀疏化处理，以减少计算量并提高模型的效率。稀疏化方法是对权重中接近零的分量进行剪枝，即：其中，∈是设定的稀疏阈值。为了提高计算效率，使用查表方式实现分段线性核函数的计算。查表方法是预计算不同距离下的核函数值，并存入查找表。假设查找表存储核函数值为T[d],则核函数计算用如下方式完成：从而避免实时计算指数运算，提高计算效率，并最终得到优化后的音频处理模型。[0028]在一个示例中，超低功耗端侧AI音频信号处理方法还包括：将音频处理模型部署至三核处理器，第一核执行信号预处理和特征提取，第二核执行模型推理，第三核执行信号合成，通过双缓冲FIFO队列实现核间数据传输，得到流水线处理架构；对每个处理核的运行状态进行监测，当CPU占用率超过第一目标值时将任务负载分配给空闲核心，当内存占用率超过第二目标值时对中间数据进行压缩存储，得到资源调度策略；根据资源调度策略，对三个处理核的工作频率进行动态调整，得到处理核工作参基于音频处理模型的分类结果，对输入音频信号的调制周期信号和非调制信号进行分离，通过维纳滤波器对非调制信号执行噪声抑制，得到第一增强信号；对第一增强信号与调制周期信号执行子带合成，基于量化噪声参数对每个频带的增益系