是否有一种方便而优雅的方式来向信号添加噪声（按类型）？
Is there a convenient and elegant way to add noise (by type) to a signal?
我正在尝试复制 this 文章，但其对应的 github 存储库写得很糟糕。在本文中，神经网络在手动损坏的音频信号上进行训练。不幸的是，研究人员没有添加音频文件，也没有添加干净的代码来显示他们是如何损坏音频文件的。他们在论文中写道：
..for the noisy test set, the 100 utterances were corrupted with four
unseen noise types (engine, white, street, and baby cry), at six SNR
levels (-6 dB, 0 dB, 6 dB, 12 dB, 18 dB, and 24 dB); for the enhanced
set, the utterances in the noisy set were enhanced by the enhancement
model above.
现在的问题 - 是否有一个 python（R/MATLAB 库也很好）将信号、所需噪声的类型和 SNR 和 returns 损坏的信号？如果没有，我从哪里获得引擎或婴儿哭声类型？
谢谢！
所以，如果有人遇到同样的问题，这就是我所做的。首先，我寻找包含现实生活噪音的数据库。它们中的大多数都需要花钱，并且提供的环境种类有限（请参阅 AURORA-2 语料库、CHiME 背景噪声数据或 NOISEX-92 数据库）。最后我找到了DEMAND dataset，它包含来自16种不同环境（办公室、汽车、道路等）的多声道噪音，并且可以免费使用。
现在，在合并噪声和信号之前，必须验证它们共享相同的采样率（实际上，这并不是我从discussion中理解的那么严重的问题，但最好是安全起见）。如果你使用的是python，你可以使用librosa.resample模块将两者标准化。之后，您可以添加两个信号。添加噪声时，您可能希望控制每个输入（信号和噪声）的幅度。您可以使用下面给出的信噪比公式来找到 $a$，您必须将噪声乘以多人游戏才能获得所需的信噪比 (SNR)。
其中给出了所需的 SNR，而两个 RMS 是根据您的数据计算得出的。
我正在尝试复制 this 文章，但其对应的 github 存储库写得很糟糕。在本文中，神经网络在手动损坏的音频信号上进行训练。不幸的是，研究人员没有添加音频文件，也没有添加干净的代码来显示他们是如何损坏音频文件的。他们在论文中写道：
..for the noisy test set, the 100 utterances were corrupted with four unseen noise types (engine, white, street, and baby cry), at six SNR levels (-6 dB, 0 dB, 6 dB, 12 dB, 18 dB, and 24 dB); for the enhanced set, the utterances in the noisy set were enhanced by the enhancement model above.
现在的问题 - 是否有一个 python（R/MATLAB 库也很好）将信号、所需噪声的类型和 SNR 和 returns 损坏的信号？如果没有，我从哪里获得引擎或婴儿哭声类型？
谢谢！
所以，如果有人遇到同样的问题，这就是我所做的。首先，我寻找包含现实生活噪音的数据库。它们中的大多数都需要花钱，并且提供的环境种类有限（请参阅 AURORA-2 语料库、CHiME 背景噪声数据或 NOISEX-92 数据库）。最后我找到了DEMAND dataset，它包含来自16种不同环境（办公室、汽车、道路等）的多声道噪音，并且可以免费使用。
现在，在合并噪声和信号之前，必须验证它们共享相同的采样率（实际上，这并不是我从discussion中理解的那么严重的问题，但最好是安全起见）。如果你使用的是python，你可以使用librosa.resample模块将两者标准化。之后，您可以添加两个信号。添加噪声时，您可能希望控制每个输入（信号和噪声）的幅度。您可以使用下面给出的信噪比公式来找到 $a$，您必须将噪声乘以多人游戏才能获得所需的信噪比 (SNR)。
其中给出了所需的 SNR，而两个 RMS 是根据您的数据计算得出的。