摘要 | 第6-8页 |
Abstract | 第8-10页 |
第1章 绪论 | 第17-25页 |
1.1 研究背景和意义 | 第17-18页 |
1.2 研究现状 | 第18-22页 |
1.2.1 超定和适定信号分离 | 第18-19页 |
1.2.2 欠定信号分离 | 第19-22页 |
1.3 欠定信号分离在语音处理中的应用 | 第22-23页 |
1.4 本文的研究内容和章节安排 | 第23-25页 |
第2章 盲分离的基本理论和典型算法 | 第25-43页 |
2.1 引言 | 第25页 |
2.2 线性混合系统的数学模型 | 第25-26页 |
2.2.1 瞬时混合模型 | 第25页 |
2.2.2 卷积混合模型 | 第25-26页 |
2.3 系统可辨识性和源可分离性 | 第26-28页 |
2.4 不确定性 | 第28-29页 |
2.5 独立成分分析 | 第29-34页 |
2.5.1 基于信息论的对比函数 | 第30-33页 |
2.5.2 主要算法 | 第33-34页 |
2.6 稀疏成分分析 | 第34-42页 |
2.6.1 信号的稀疏性特征 | 第34-35页 |
2.6.2 混合矩阵估计 | 第35-37页 |
2.6.3 源信号的恢复 | 第37-41页 |
2.6.4 基于自然梯度的交替法 | 第41-42页 |
2.7 本章小结 | 第42-43页 |
第3章 基于人工蜂群算法的欠定盲分离 | 第43-59页 |
3.1 引言 | 第43-44页 |
3.2 信号模型和假设条件 | 第44-45页 |
3.3 单源点检测 | 第45-47页 |
3.4 基于人工蜂群算法的混合矩阵估计方法 | 第47-52页 |
3.4.1 基本的ABC算法 | 第47-48页 |
3.4.2 全局目标函数和全局搜索策略 | 第48-50页 |
3.4.3 局部目标函数和局部搜索策略 | 第50-52页 |
3.5 仿真实验 | 第52-58页 |
3.6 本章小结 | 第58-59页 |
第4章 基于局部混合模型的欠定盲分离 | 第59-72页 |
4.1 引言 | 第59-60页 |
4.2 算法框图和假设条件 | 第60-61页 |
4.3 观测信号的局部混合模型 | 第61-64页 |
4.3.1 混合模型的导出 | 第61-63页 |
4.3.2 混合模型的进一步讨论 | 第63-64页 |
4.4 混合模型参数估计和源信号的恢复 | 第64-65页 |
4.5 仿真实验 | 第65-71页 |
4.6 本章小结 | 第71-72页 |
第5章 基于广义高斯分布的子空间欠定盲分离 | 第72-85页 |
5.1 引言 | 第72页 |
5.2 基于广义高斯分布的子空间盲分离 | 第72-78页 |
5.2.1 混合矩阵的子空间 | 第72-73页 |
5.2.2 广义高斯分布 | 第73-75页 |
5.2.3 基于蒙特卡洛马尔科夫链的参数估计 | 第75-76页 |
5.2.4 基于广义高斯分布的全条件概率密度 | 第76-78页 |
5.3 基于非稀疏度评判准则的盲分离 | 第78-80页 |
5.4 仿真实验 | 第80-84页 |
5.5 本章小结 | 第84-85页 |
第6章 欠定信号分离在混响环境中语音分离的应用 | 第85-100页 |
6.1 引言 | 第85-86页 |
6.2 基于子频段和人工蜂群算法的排序校正方法 | 第86-88页 |
6.3 基于局部广义高斯混合模型的欠定语音盲分离 | 第88-92页 |
6.3.1 伪消声模型 | 第88-90页 |
6.3.2 时延和衰减比的估计 | 第90-91页 |
6.3.3 基于局部广义高斯混合模型的源信号恢复 | 第91-92页 |
6.4 仿真实验 | 第92-99页 |
6.5 本章小结 | 第99-100页 |
第7章 单通道信号分离在语音增强中的应用 | 第100-111页 |
7.1 引言 | 第100页 |
7.2 单通道信号分离模型 | 第100-101页 |
7.3 语音和噪声的非负矩阵分解 | 第101-102页 |
7.4 基于时间相关性约束非负矩阵分解的语音增强算法 | 第102-106页 |
7.4.1 训练阶段 | 第102-103页 |
7.4.2 语音增强阶段 | 第103-106页 |
7.5 仿真实验 | 第106-110页 |
7.6 本章小结 | 第110-111页 |
结论 | 第111-113页 |
致谢 | 第113-114页 |
参考文献 | 第114-125页 |
攻读博士学位期间撰写的论文 | 第125页 |