基于深层神经网络的多目标学习和融合的语音增强研究
| 摘要 | 第5-7页 |
| ABSTRACT | 第7-8页 |
| 第1章 绪论 | 第16-30页 |
| 1.1 语音增强 | 第16-17页 |
| 1.1.1 语音增强的研究意义 | 第16-17页 |
| 1.1.2 语音增强的分类 | 第17页 |
| 1.2 单声道语音增强的发展历史和研究概况 | 第17-19页 |
| 1.3 单声道语音增强算法概述 | 第19-27页 |
| 1.3.1 带噪语音信号模型 | 第19-20页 |
| 1.3.2 传统单声道语音增强算法 | 第20-23页 |
| 1.3.3 有监督语音增强算法 | 第23-27页 |
| 1.4 本文的研究内容和结构安排 | 第27-30页 |
| 1.4.1 本文的研究内容 | 第27-29页 |
| 1.4.2 本文的结构安排 | 第29-30页 |
| 第2章 基于深层神经网络语音增强方法回顾 | 第30-48页 |
| 2.1 引言 | 第30-39页 |
| 2.1.1 深层神经网络框架 | 第30-31页 |
| 2.1.2 深层神经网络训练方法 | 第31-35页 |
| 2.1.3 实际应用 | 第35-39页 |
| 2.2 基于深层神经网络语音增强方法回顾 | 第39-46页 |
| 2.2.1 基于特征映射的语音增强方法 | 第41-42页 |
| 2.2.2 基于时频掩蔽的语音增强方法 | 第42-45页 |
| 2.2.3 基于信号近似的语音增强方法 | 第45-46页 |
| 2.3 本章小结 | 第46-48页 |
| 第3章 基于特征变换语音增强方法 | 第48-58页 |
| 3.1 引言 | 第48-49页 |
| 3.2 基于特征变换的语音增强方法 | 第49-53页 |
| 3.2.1 系统介绍 | 第49-50页 |
| 3.2.2 回归DNN学习行为 | 第50-52页 |
| 3.2.3 通过变换来提升DNN性能 | 第52-53页 |
| 3.3 实验和结果 | 第53-56页 |
| 3.3.1 实验配置 | 第53-54页 |
| 3.3.2 实验结果分析 | 第54-56页 |
| 3.4 本章小结 | 第56-58页 |
| 第4章 基于子带特征的噪声和掩蔽联合感知训练 | 第58-68页 |
| 4.1 引言 | 第58-59页 |
| 4.2 噪声和掩蔽联合感知训练 | 第59-64页 |
| 4.2.1 系统介绍 | 第59-60页 |
| 4.2.2 改进的动态噪声感知训练(IDNAT) | 第60-63页 |
| 4.2.3 噪声和掩蔽联合感知训练 | 第63-64页 |
| 4.3 实验和结果 | 第64-67页 |
| 4.3.1 实验配置 | 第64页 |
| 4.3.2 实验结果分析 | 第64-67页 |
| 4.4 总结 | 第67-68页 |
| 第5章 紧凑型多目标学习和融合的语音增强 | 第68-87页 |
| 5.1 引言 | 第68-70页 |
| 5.2 紧凑型多目标学习和融合的语音增强 | 第70-75页 |
| 5.2.1 MOLE框架介绍 | 第70-73页 |
| 5.2.2 多目标特征 | 第73-75页 |
| 5.3 实验和结果 | 第75-83页 |
| 5.3.1 实验配置 | 第75-76页 |
| 5.3.2 实验结果分析 | 第76-83页 |
| 5.4 总结 | 第83-87页 |
| 第6章 基于最大似然估计的IRM目标函数优化 | 第87-98页 |
| 6.1 引言 | 第87-88页 |
| 6.2 基于最大似然估计的IRM目标函数优化 | 第88-89页 |
| 6.3 实验和结果 | 第89-92页 |
| 6.3.1 实验配置 | 第89-90页 |
| 6.3.2 实验结果分析 | 第90-92页 |
| 6.4 总结 | 第92-98页 |
| 第7章 总结 | 第98-101页 |
| 7.1 本文的主要贡献与创新点 | 第98-99页 |
| 7.2 后续的研究工作 | 第99-101页 |
| 参考文献 | 第101-113页 |
| 在读期间发表的学术论文与取得的研究成果 | 第113-115页 |
| 致谢 | 第115-116页 |
