噪声环境下的VAD检测方法的研究
| 摘要 | 第2-3页 |
| Abstract | 第3-4页 |
| 第一章 绪论 | 第7-12页 |
| 1.1 研究背景及意义 | 第7-8页 |
| 1.2 国内外研究历史与现状 | 第8-10页 |
| 1.3 论文研究工作及章节安排 | 第10-12页 |
| 第二章 VAD检测方法综述 | 第12-21页 |
| 2.1 典型VAD模块 | 第12-17页 |
| 2.1.1 特征提取 | 第13-14页 |
| 2.1.2 噪声估计 | 第14页 |
| 2.1.3 判决规则 | 第14-17页 |
| 2.1.4 判决平滑 | 第17页 |
| 2.2 传统的VAD检测 | 第17-20页 |
| 2.2.1 算法流程简介 | 第18页 |
| 2.2.2 基于能量过零率的端点检测 | 第18-19页 |
| 2.2.3 基于频带方差的端点检测 | 第19页 |
| 2.2.4 基于谱熵的语音端点检测 | 第19-20页 |
| 2.3 本章小结 | 第20-21页 |
| 第三章 语音去噪方法介绍 | 第21-29页 |
| 3.1 语音去噪的对于端点检测的意义 | 第21页 |
| 3.2 语音去噪的研究现状 | 第21-22页 |
| 3.3 传统的语音去噪方法 | 第22-27页 |
| 3.3.1 谱减法 | 第23页 |
| 3.3.2 维纳滤波法 | 第23-24页 |
| 3.3.3 非负矩阵分解法 | 第24-25页 |
| 3.3.4 基于深度信念网络的语音去噪 | 第25-27页 |
| 3.4 本章小结 | 第27-29页 |
| 第四章 基于降噪自编码器的语音去噪及端点检测 | 第29-36页 |
| 4.1 深度学习 | 第29-30页 |
| 4.1.1 深度学习的基本思想 | 第29-30页 |
| 4.1.2 深度学习的训练过程 | 第30页 |
| 4.2 深度降噪自编码器算法 | 第30-33页 |
| 4.2.1 自编码器 | 第31-32页 |
| 4.2.2 降噪自编码器 | 第32-33页 |
| 4.3 基于倒谱距离的端点检测方法 | 第33-35页 |
| 4.3.1 倒谱特征 | 第33页 |
| 4.3.2 倒谱距离 | 第33-34页 |
| 4.3.3 算法检测流程 | 第34-35页 |
| 4.4 本章小结 | 第35-36页 |
| 第五章 实验与仿真 | 第36-49页 |
| 5.1 实验环境 | 第36-37页 |
| 5.1.1 语音数据的建立 | 第36页 |
| 5.1.2 语音与噪声的合成 | 第36-37页 |
| 5.1.3 实现平台 | 第37页 |
| 5.2 VAD算法的评价指标 | 第37-38页 |
| 5.3 实验结果 | 第38-45页 |
| 5.3.0 基于传统VDA方法的端点检测结果 | 第38-40页 |
| 5.3.1 基于降噪自编码器的去噪结果 | 第40-43页 |
| 5.3.2 基于倒谱距离的端点检测结果 | 第43-45页 |
| 5.4 检测方法性能比较 | 第45-48页 |
| 5.5 本章小结 | 第48-49页 |
| 第六章 总结与展望 | 第49-51页 |
| 6.1 总结 | 第49-50页 |
| 6.2 展望 | 第50-51页 |
| 参考文献 | 第51-55页 |
| 攻读硕士学位期间发表的学术成果 | 第55-56页 |
| 致谢 | 第56-57页 |
