| 摘要 | 第5-6页 |
| Abstract | 第6-7页 |
| 第1章 绪论 | 第10-20页 |
| 1.1 课题研究背景及意义 | 第10-11页 |
| 1.2 国内外研究现状 | 第11-16页 |
| 1.2.1 非监督类语音增强算法 | 第11-13页 |
| 1.2.2 监督类语音增强算法 | 第13-16页 |
| 1.3 研究目标 | 第16-17页 |
| 1.4 研究内容 | 第17-18页 |
| 1.5 论文结构 | 第18-20页 |
| 第2章 基于长时时频动态特征的数据驱动模型 | 第20-34页 |
| 2.1 数据驱动模型概述 | 第20页 |
| 2.2 数据驱动模型原理 | 第20-21页 |
| 2.3 梅尔频率倒谱的特征提取 | 第21-24页 |
| 2.4 长时时频动态信息的建模 | 第24-29页 |
| 2.4.1 高斯混合模型 | 第24-27页 |
| 2.4.2 最大高斯时间序列 | 第27-28页 |
| 2.4.3 谱字典 | 第28-29页 |
| 2.5 最长匹配段的搜索算法 | 第29-31页 |
| 2.6 谱估计算法 | 第31页 |
| 2.7 数据驱动方法的优点和缺点 | 第31-33页 |
| 2.8 本章小结 | 第33-34页 |
| 第3章 基于长时时频动态特征的噪声抑制方法 | 第34-62页 |
| 3.1 基于数据驱动语音增强方法概述 | 第34-36页 |
| 3.1.1 MFCC特征提取 | 第35页 |
| 3.1.2 原理框架 | 第35-36页 |
| 3.2 长时时频动态信息的建模 | 第36-37页 |
| 3.3 基于修正MAP准则的自适应长时搜索算法 | 第37-46页 |
| 3.3.1 基本原理 | 第37-39页 |
| 3.3.2 快速搜索算法 | 第39-41页 |
| 3.3.3 矢量泰勒级数算法 | 第41-43页 |
| 3.3.4 基于修正MAP准则的自适应长时搜索算法 | 第43-46页 |
| 3.4 连续谱估计算法 | 第46-50页 |
| 3.4.1 语音的谱估计算法 | 第46页 |
| 3.4.2 噪声的谱估计算法 | 第46-50页 |
| 3.5 修正的维纳滤波器 | 第50-53页 |
| 3.5.1 频域相关性分析 | 第50-52页 |
| 3.5.2 基于归一化互相关系数的维纳滤波器 | 第52-53页 |
| 3.6 算法性能测试 | 第53-61页 |
| 3.6.1 测试工具介绍 | 第53-54页 |
| 3.6.2 测试结果与分析 | 第54-61页 |
| 3.7 本章小结 | 第61-62页 |
| 第4章 基于短时时频动态特征的噪声抑制方法 | 第62-92页 |
| 4.1 基于稀疏表示的语音增强方法概述 | 第63-64页 |
| 4.2 基于改进稀疏表示的语音增强方法概述 | 第64-67页 |
| 4.2.1 短时时频特征提取 | 第65-66页 |
| 4.2.2 原理框架 | 第66-67页 |
| 4.3 K-SVD字典学习方法 | 第67-70页 |
| 4.4 稀疏表示方法 | 第70-78页 |
| 4.4.1 正交匹配追踪算法（OMP） | 第71-73页 |
| 4.4.2 最小角回归算法（LAR） | 第73-75页 |
| 4.4.3 基于LARG的语音增强过程 | 第75-78页 |
| 4.5 基于期望最大化的能量补偿方法 | 第78-80页 |
| 4.6 修正的维纳滤波方法 | 第80页 |
| 4.7 基于噪声估计与稀疏表示融合的语音增强方法 | 第80-82页 |
| 4.7.1 原理框架 | 第81-82页 |
| 4.7.2 稀疏编码方法 | 第82页 |
| 4.8 算法性能测试 | 第82-90页 |
| 4.9 本章小结 | 第90-92页 |
| 结论 | 第92-94页 |
| 参考文献 | 第94-100页 |
| 攻读硕士学位期间所发表的学术论文 | 第100-102页 |
| 攻读硕士学位期间参加的科研项目及获奖情况 | 第102-104页 |
| 致谢 | 第104页 |