| 摘要 | 第1-5页 |
| ABSTRACT | 第5-6页 |
| 目录 | 第6-8页 |
| 缩略语 | 第8-9页 |
| 第一章 绪论 | 第9-13页 |
| ·课题研究背景 | 第9-11页 |
| ·论文的主要内容和安排 | 第11-13页 |
| 第二章 压缩感知的基本理论 | 第13-23页 |
| ·压缩感知的基本理论 | 第13-21页 |
| ·信号的稀疏表示 | 第13-15页 |
| ·信号的观测投影 | 第15-18页 |
| ·信号的重构 | 第18-21页 |
| ·仍然存在的问题 | 第21页 |
| ·本章小结 | 第21-23页 |
| 第三章 语音信号的压缩感知 | 第23-36页 |
| ·语音的产生模型 | 第23-24页 |
| ·语音信号的产生原理 | 第23页 |
| ·离散时域的语音生成模型 | 第23-24页 |
| ·传统语音的采样及处理过程 | 第24-25页 |
| ·语音的稀疏表示 | 第25-31页 |
| ·语音信号的投影观测 | 第31-33页 |
| ·重构语音信号的性能评价方法 | 第33-35页 |
| ·本章小结 | 第35-36页 |
| 第四章 基于小波分解和K-SVD 的自适应压缩感知 | 第36-49页 |
| ·矢量表示的 K-Means 算法 | 第36-37页 |
| ·K-SVD 训练算法 | 第37-39页 |
| ·语音信号的小波分解 | 第39-41页 |
| ·连续小波及其变换 | 第39-40页 |
| ·语音信号的离散小波变换 | 第40-41页 |
| ·基于小波分解的语音稀疏分解及其压缩感知 | 第41-43页 |
| ·性能分析 | 第43-48页 |
| ·本章小结 | 第48-49页 |
| 第五章 基于K-LMS 的稀疏字典训练算法 | 第49-60页 |
| ·最小均方(LMS)算法原理 | 第49-52页 |
| ·最小均方误差(MMSE)准则 | 第49-50页 |
| ·最速下降法 | 第50-51页 |
| ·最小均方(LMS)算法 | 第51-52页 |
| ·一种基于K-LMS 的稀疏字典训练算法 | 第52-53页 |
| ·基于变步长的K-LMS 稀疏字典训练算法 | 第53-55页 |
| ·性能分析 | 第55-59页 |
| ·本章小结 | 第59-60页 |
| 第六章 总结和展望 | 第60-62页 |
| ·论文的主要工作 | 第60-61页 |
| ·下一步工作展望 | 第61-62页 |
| 致谢 | 第62-63页 |
| 参考文献 | 第63-69页 |
| 攻读硕士学位期间发表的论文 | 第69页 |