基于改进ICA算法的语音分离研究
| 摘要 | 第5-6页 |
| Abstract | 第6-7页 |
| 第一章 绪论 | 第11-19页 |
| 1.1 国内外发展概况 | 第11-13页 |
| 1.2 研究背景及意义 | 第13-14页 |
| 1.3 盲源分离的应用 | 第14-17页 |
| 1.4 主要研究内容 | 第17-18页 |
| 1.5 章节安排 | 第18-19页 |
| 第二章 盲源分离相关理论 | 第19-31页 |
| 2.1 盲源分离的数学模型 | 第19-22页 |
| 2.1.1 线性瞬时混合模型 | 第20-21页 |
| 2.1.2 线性卷积混合模型 | 第21-22页 |
| 2.1.3 非线性混合模型 | 第22页 |
| 2.2 盲源分离的假设条件与不确定性 | 第22-24页 |
| 2.3 盲源分离的预处理 | 第24-26页 |
| 2.3.1 去均值 | 第24页 |
| 2.3.2 白化 | 第24-26页 |
| 2.4 目标函数 | 第26-28页 |
| 2.4.1 最小化互信息 | 第26-27页 |
| 2.4.2 最大化信息量 | 第27页 |
| 2.4.3 极大似然 | 第27-28页 |
| 2.5 评价指标 | 第28-29页 |
| 2.5.1 相似系数 | 第28-29页 |
| 2.5.2 信噪比 | 第29页 |
| 2.5.3 性能指数 | 第29页 |
| 2.6 本章小结 | 第29-31页 |
| 第三章 FastICA算法及其改进 | 第31-45页 |
| 3.1 基于负熵的FastICA算法 | 第31-37页 |
| 3.1.1 负熵的定义 | 第32-35页 |
| 3.1.2 基于负熵的FastICA算法 | 第35-37页 |
| 3.2 基于负熵的FastICA改进算法 | 第37-40页 |
| 3.3 仿真结果及分析 | 第40-44页 |
| 3.4 本章小结 | 第44-45页 |
| 第四章 改进的自适应盲源分离算法 | 第45-58页 |
| 4.1 自然梯度算法 | 第45-48页 |
| 4.2 变步长的自然梯度算法 | 第48-52页 |
| 4.2.1 分离阶段类 | 第48-49页 |
| 4.2.2 模糊控制类 | 第49-50页 |
| 4.2.3 梯度求取类 | 第50-51页 |
| 4.2.4 模拟退火类 | 第51-52页 |
| 4.3 改进的基于自然梯度的自适应盲源分离算法 | 第52-54页 |
| 4.3.1 引入分离信号相关性的步长选择 | 第52-53页 |
| 4.3.2 引入动量项的变步长自然梯度算法 | 第53-54页 |
| 4.4 仿真结果及分析 | 第54-57页 |
| 4.5 本章小结 | 第57-58页 |
| 第五章 改进算法在混合语音中的应用 | 第58-66页 |
| 5.1 语音信号的基本特征 | 第58-59页 |
| 5.2 语音分离信号的评价指标 | 第59-60页 |
| 5.3 改进算法在混合语音分离中的应用 | 第60-65页 |
| 5.3.1 人工混合语音分离中的应用 | 第60-63页 |
| 5.3.2 实际混合语音分离中的应用 | 第63-65页 |
| 5.4 本章小结 | 第65-66页 |
| 第六章 总结与展望 | 第66-68页 |
| 6.1 本文总结 | 第66-67页 |
| 6.2 展望 | 第67-68页 |
| 致谢 | 第68-69页 |
| 参考文献 | 第69-75页 |
