1樓：
訊號處理沒有過時，不過許多通用的演算法做成了API就不值錢了，但是你的能力是一直值錢的。現在深度學習比訊號處理值錢，正常。
2樓：雲程萬里
訊號處理可以和深度學習建立關係。
舉乙個最簡單的例子，軟閾值化是訊號處理中常用的函式，經常在訊號降噪時使用。
深度殘差收縮網路[1]就是軟閾值化與殘差網路ResNet的結合，因而更加適合處理含雜訊資料。
3樓：梨花逝夢
關鍵是數字訊號處理目前發展到現階段，已經出現了侷限，深度學習的正是為了解決這種侷限而出現，它表現出了有解，至於是不是通解，好不好用，是另外乙個問題。當年小波出現，被人捧得神乎其神，結果還是用處不大。
4樓：
隨著今年智慧型音箱的大火特火，遠場語音識別越來越受關注。遠場識別所遇到的盲源分離、解混響、回聲消除、定位等方面還得看訊號處理和傳統演算法，深度學習效果一般。
5樓：Cheng Rong
數字訊號處理真的過時了,在深度學習時代，不精確性代替了精確性，這種不精確性來了了魯棒性的模型，數字處理將會回歸模擬訊號時代，深度學習的模型其實是大規模的非線性模擬電路。這種用數子構建的模擬系統是將來的方向。
6樓：劉丹
個人看法:深度學習在各領域都試圖取代feature engineering,包括語音識別。其實語音的前端已經做得足夠接近事物本質了，模擬影象的同行他們已經原始畫素輸入很多年了。
識別這塊進入dnn時代就逐漸fbank甚至倒譜成為主流，而梅爾窗、dct變換等傳統語音識別認為必備的處理也逐漸變得無足輕重甚至有害。而在引入lstm後，魯棒性的必備殺器cmn也不是那麼重要了。
深度學習鼓吹的乙個重要方面就是representation learning,在模型能力有限時，前端非常重要，而對於具有強表現力的模型和足夠大資料量，這些都有可能通過學習得到，而不需要確定的前端處理。同時，前端處理在獲取更容易區分特徵的同時，必然帶來資訊損失，這也是fbank輸入比mfcc好的主要原因。
以mfcc為例，，這個對傳統gmm模型非常有用。但到了深度學習框架下，系統乙個個minibatch處理資料，從目標函式回傳的梯度自己就會實現:發不同音素時低頻帶區分性很明顯，需要加強;高頻帶梯度累加沒太大變化，應該削弱;高頻部分通過乙個變換矩陣後有用，應該逐漸保留這種結構……便可以學到類似梅爾倒譜的東西。
但機器完全沒有理論指導盲目相信資料的結果很有可能學到不合理的前端變換並且對集內擬合很好，這種過擬合就一般需要大的訓練資料糾正。
那麼是否訊號處理知識完全無用呢？當然不是。前面說了需要合適的模型結構和足夠的表現能力。
比如對於沒有recurrent結構的模型它必然無法學到可以取代cmn的能力。另乙個例子就是題主說的原始時域訊號輸入，我們如果沒有語音頻號短時平穩特性的知識，閉著眼睛扔波形訊號只是玩鬧。而它主要希望處理的多麥克風訊號如果沒有beam forming的知識和設法利用相位差資訊的指導，也肯定玩不轉。
乙個後端的例子就是這些年一些machine learning的人做語音識別在end to end指導下直奔字母建模單元，個人表示呵呵。
7樓：艾德
前端和建模是兩個完全不同的東西。不管你用什麼前端，需要注意的是訓練和識別中必須要用同一套前端。回到題主一開始的問題，個人認為特徵提取模組在程度上是可以被fbank全部替代的，不過這麼做的代價就是模型的引數會增加。
降噪，回聲消除什麼的仍然必不可少。特別在定長噪音環境中，有沒有降噪，對系統的效能影響是巨大的。
8樓：
沒有。對數字訊號處理，尤其是帶有時間資訊的資料（如語音），DL通常還是依賴訊號處理方法提取的特徵。語音識別中DL模型(DNN、CNN、RNN、END-TO-END-RNN)的輸入多數還是MFCC、PLP、Fbank等特徵，儘管有部分CNN文章提出直接使用raw data利用卷積等操作直達Softmax，這種做法不是主流。
數字訊號處理據了解近年也沒啥大的進步吧，壓縮感知、Sparse、Low-rank那套不知道有什麼大的應用。
《數字訊號處理》與《訊號與系統》有什麼關係？
座標長沙，某985。剛出的成績，數字訊號處理期末考試掛科率20 還好我沒掛。上個學期訊號與系統掛的人這學期數字訊號處理也掛了，不知道這算不算是一種關係。 訊號系統是基礎，數字訊號處理是計算機時代下訊號系統基礎上的深化。其實感覺都屬於訊號大類的基礎課程，但是兩門課合一起內容量有點太大了。 SuperM...
能不能談談你對數字訊號處理的認識？
受限玻爾茲曼機 首先你必須搞明白這些個修飾語名詞兒的意義，然後從最開始的定義和數學推導上逐漸認識你才能最終把這個事兒說明白。在這裡我只簡單說一下我的理解。數字訊號處理.必須先解釋訊號，再解釋訊號處理，再說數碼訊號。我沒翻書，就通俗的說說，說的不全面不深刻請不要怪罪。訊號，如果我們把它分開來看，實際上...
數字訊號處理工程師是怎麼養成的？
star litx 威靈頓 日天，寫了很多，大體不錯，但對DSP和FPGA關係的理解有些偏差。我做DSP FPGA系統很多年了，從TI的C62 C67到C64，我的理解是 DSP只適合做大規模資料運算，控制功能很弱，因此必須加入控制能力很強的FPGA，才能使系統發揮出真正的效率。所以DSP和FPGA...