| 摘要 | 第4-5页 |
| Abstract | 第5-6页 |
| 1 绪论 | 第10-15页 |
| 1.1 语音增强研究背景 | 第10页 |
| 1.2 语音增强概述 | 第10-12页 |
| 1.2.1 语音增强的目的及意义 | 第10-11页 |
| 1.2.2 语音增强的发展历史及现状 | 第11-12页 |
| 1.3 语音增强的效果评价方法 | 第12-14页 |
| 1.3.1 主观评价 | 第12-13页 |
| 1.3.2 客观评价方法 | 第13-14页 |
| 1.4 本文的主要工作及结构安排 | 第14-15页 |
| 2 语音增强的基础与方法 | 第15-26页 |
| 2.1 语音、人耳及噪声特性 | 第15-17页 |
| 2.1.1 语音具有的特性 | 第15-16页 |
| 2.1.2 人耳感知 | 第16页 |
| 2.1.3 噪声具有的特性 | 第16-17页 |
| 2.2 单通道语音增强算法 | 第17-21页 |
| 2.2.1 谱减法 | 第17-18页 |
| 2.2.2 小波变换法 | 第18-19页 |
| 2.2.3 维纳滤波法 | 第19-21页 |
| 2.2.4 其它的增强方法 | 第21页 |
| 2.3 多通道语音增强方法 | 第21-24页 |
| 2.3.1 麦克风阵列 | 第21-22页 |
| 2.3.2 多通道语音增强模型 | 第22-23页 |
| 2.3.3 多通道语音增强方法 | 第23-24页 |
| 2.4 基于MATLAB的语音信号仿真分析 | 第24-25页 |
| 2.5 本章小结 | 第25-26页 |
| 3 基于MMSE-LSA的语音增强算法的研究 | 第26-43页 |
| 3.1 MMSE-LSA增强算法的基本原理 | 第26-29页 |
| 3.2 先验信噪比与后验信噪比 | 第29-31页 |
| 3.2.1 最大似然估计 | 第29-30页 |
| 3.2.2 直接决策(DD,decision-directed)估计方法 | 第30-31页 |
| 3.2.3 因果(causal)估计 | 第31页 |
| 3.3 先验信噪比估计方法改进 | 第31-34页 |
| 3.3.1 算法实现 | 第32-34页 |
| 3.4 算法流程图 | 第34-35页 |
| 3.5 实验结果及分析 | 第35-42页 |
| 3.6 小结 | 第42-43页 |
| 4 子空间的语音增强算法概述 | 第43-55页 |
| 4.1 信号子空间算法的基础 | 第43-45页 |
| 4.1.1 子空间定义 | 第43-44页 |
| 4.1.2 投影矩阵 | 第44-45页 |
| 4.2 建立空间模型 | 第45-47页 |
| 4.2.1 纯净信号模型 | 第45-46页 |
| 4.2.2 干扰(噪声)信号模型 | 第46页 |
| 4.2.3 混合语音(带噪)信号模型 | 第46-47页 |
| 4.3 基于奇异特征值分解(SVD)的语音增强算法 | 第47-50页 |
| 4.3.1 基于SVD的最优估计 | 第48页 |
| 4.3.2 噪声为非白噪声环境算法的改进 | 第48-50页 |
| 4.4 基于特征值分解(EVD)算法 | 第50-52页 |
| 4.4.1 时域约束估计器(TDC) | 第50-51页 |
| 4.4.2 频域约束估计器(SDC) | 第51-52页 |
| 4.4.3 SVD与EVD的关系 | 第52页 |
| 4.5 非白噪声环境下的算法改进 | 第52-54页 |
| 4.5.1 传统自适应KL子空间语音增强算法 | 第52页 |
| 4.5.2 基于广义特征值分解(GEVD)方法 | 第52-54页 |
| 4.6 小结 | 第54-55页 |
| 5 改进的基于信号子空间的多通道语音增强算法 | 第55-65页 |
| 5.1 算法改进 | 第56-58页 |
| 5.1.1 信噪比(SNR)的获取 | 第56页 |
| 5.1.2 基于GEVD的迭代估计 | 第56-58页 |
| 5.2 算法实现 | 第58页 |
| 5.3 算法仿真与结果分析 | 第58-64页 |
| 5.4 小结 | 第64-65页 |
| 6 总结与展望 | 第65-66页 |
| 致谢 | 第66-67页 |
| 参考文献 | 第67-70页 |
| 攻读硕士学位期间已发表或录用的论文 | 第70页 |