| 摘要 | 第5-6页 |
| Abstract | 第6-7页 |
| 第1章 绪论 | 第10-22页 |
| 1.1 课题背景 | 第10-11页 |
| 1.2 国内外研究现状 | 第11-18页 |
| 1.2.1 基于无监督学习的语音增强方法 | 第11-12页 |
| 1.2.2 基有监督学习的语音增强方法 | 第12-18页 |
| 1.3 研究目标 | 第18-19页 |
| 1.4 研究内容 | 第19-20页 |
| 1.5 论文结构 | 第20-22页 |
| 第2章 利用语音谐波结构码书驱动维纳滤波器的语音增强算法 | 第22-36页 |
| 2.1 传统码书驱动维纳滤波器的语音增强算法 | 第22-25页 |
| 2.1.1 传统码书驱动算法的结构框架 | 第22-23页 |
| 2.1.2 传统码书驱动算法原理 | 第23-25页 |
| 2.2 MBE谱的估计算法 | 第25-28页 |
| 2.3 利用语音谐波结构的码书驱动语音增强算法 | 第28-31页 |
| 2.3.1 语音存在概率的估计 | 第28-29页 |
| 2.3.2 AR谱的估计 | 第29-31页 |
| 2.3.3 维纳滤波器的构造 | 第31页 |
| 2.4 性能测试及结果分析 | 第31-34页 |
| 2.4.1 实验设置 | 第31-32页 |
| 2.4.2 实验结果及分析 | 第32-34页 |
| 2.5 本章小结 | 第34-36页 |
| 第3章 基于语音倒谱和深度神经网络的语音增强方法 | 第36-54页 |
| 3.1 深度神经网络在语音增强上应用的基本原理 | 第36-42页 |
| 3.1.1 深度神经网络在语音增强上的应用概述 | 第36-37页 |
| 3.1.2 MLP的基本原理 | 第37-42页 |
| 3.2 利用深度神经网络和倒谱匹配的语音增强方法 | 第42-46页 |
| 3.2.1 利用MLP直接匹配语音倒谱的语音增强方法 | 第42-44页 |
| 3.2.2 预测理想维纳滤波器的MLP框架 | 第44-45页 |
| 3.2.3 基于MLP实现语音增强的混合模型 | 第45-46页 |
| 3.3 实验及结果分析 | 第46-51页 |
| 3.3.1 实验数据集设置 | 第46页 |
| 3.3.2 实验所用MLP的设置 | 第46-47页 |
| 3.3.3 实验结果及其分析 | 第47-51页 |
| 3.4 本章小结 | 第51-54页 |
| 第4章 基于生成对抗网络的语音增强方法 | 第54-78页 |
| 4.1 LSTM原理简介 | 第54-56页 |
| 4.1.1 RNN的简要概述 | 第54-55页 |
| 4.1.2 LSTM的原理 | 第55-56页 |
| 4.2 GAN原理简介 | 第56-57页 |
| 4.3 基于GAN和 LSTM的语音增强方法 | 第57-65页 |
| 4.3.1 学习训练目标 | 第58页 |
| 4.3.2 LSTM-GAN的网络结构及训练目标函数 | 第58-59页 |
| 4.3.3 实验及结果分析 | 第59-65页 |
| 4.3.4 总结 | 第65页 |
| 4.4 基于Cycle GAN的语音增强方法 | 第65-76页 |
| 4.4.1 生成器的结构 | 第66-68页 |
| 4.4.2 基于Cycle GAN的语音增强方法 | 第68-69页 |
| 4.4.3 用于实现语音增强 Cycle GAN 的训练目标函数 | 第69-70页 |
| 4.4.4 实验及结果分析 | 第70-76页 |
| 4.4.5 总结 | 第76页 |
| 4.5 本章小结 | 第76-78页 |
| 结论 | 第78-80页 |
| 参考文献 | 第80-86页 |
| 攻读硕士学位期间所发表和递交的学术论文 | 第86-88页 |
| 攻读硕士学位期间参加的科研项目 | 第88-90页 |
| 致谢 | 第90页 |
