| 摘要 | 第5-7页 |
| ABSTRACT | 第7-8页 |
| 第1章 绪论 | 第12-22页 |
| 1.1 课题背景及意义 | 第12-13页 |
| 1.2 语音增强技术研究现状 | 第13-18页 |
| 1.2.1 谱减法 | 第13-15页 |
| 1.2.2 基于维纳（Weiner）滤波的语音增强算法 | 第15页 |
| 1.2.3 基于自适应滤波的语音增强算法 | 第15-16页 |
| 1.2.4 基于统计模型的语音增强算法 | 第16页 |
| 1.2.5 基于隐马尔科夫模型的语音增强算法 | 第16-17页 |
| 1.2.6 基于子空间的语音增强算法 | 第17页 |
| 1.2.7 基于小波变换的语音增强算法 | 第17-18页 |
| 1.2.8 其他方法 | 第18页 |
| 1.3 研究目标 | 第18-19页 |
| 1.4 研究内容 | 第19页 |
| 1.5 论文结构安排 | 第19-22页 |
| 第2章 深度神经网络 | 第22-30页 |
| 2.1 浅层神经网络 | 第22-27页 |
| 2.1.1 神经网络概述 | 第22-23页 |
| 2.1.2 BP神经网络 | 第23-25页 |
| 2.1.3 学习向量量化神经网络 | 第25-27页 |
| 2.2 深度神经网络 | 第27-29页 |
| 2.2.1 深度神经网络概述 | 第27-28页 |
| 2.2.2 深度置信网络 | 第28-29页 |
| 2.3 本章小结 | 第29-30页 |
| 第3章 基于BP神经网络和多特征的语音端点检测 | 第30-42页 |
| 3.1 引言 | 第30-31页 |
| 3.2 BP神经网络和多特征相结合的VAD算法 | 第31-38页 |
| 3.2.1 算法原理 | 第31-32页 |
| 3.2.2 特征提取 | 第32-34页 |
| 3.2.3 BP神经网络算法 | 第34-35页 |
| 3.2.4 遗传算法优化BP神经网络 | 第35-37页 |
| 3.2.5 语音端点检测实现步骤 | 第37-38页 |
| 3.3 性能测试 | 第38-39页 |
| 3.3.1 实验数据说明 | 第38页 |
| 3.3.2 客观测试方法 | 第38-39页 |
| 3.4 测试结果与分析 | 第39-41页 |
| 3.4.1 主观测试结果与分析 | 第39-40页 |
| 3.4.2 客观测试结果与分析 | 第40-41页 |
| 3.5 本章小结 | 第41-42页 |
| 第4章 基于深度神经网络的噪声分类 | 第42-54页 |
| 4.1 引言 | 第42-43页 |
| 4.2 基于DNN的噪声分类算法 | 第43-48页 |
| 4.2.1 算法原理 | 第43-44页 |
| 4.2.2 特征提取 | 第44-45页 |
| 4.2.3 DNN模型 | 第45-47页 |
| 4.2.4 分类方法 | 第47-48页 |
| 4.3 性能分析 | 第48-51页 |
| 4.4 性能测试 | 第51-52页 |
| 4.4.1 实验数据说明 | 第51页 |
| 4.4.2 客观测试方法 | 第51-52页 |
| 4.5 测试结果与分析 | 第52-53页 |
| 4.6 本章小结 | 第53-54页 |
| 第5章 基于DNN和噪声分类的ILMSAF语音增强算法 | 第54-76页 |
| 5.1 引言 | 第54-56页 |
| 5.2 基于DNN和噪声分类的ILMSAF语音增强算法 | 第56-61页 |
| 5.2.1 算法原理 | 第56页 |
| 5.2.2 LMSAF语音增强算法 | 第56-58页 |
| 5.2.3 ILMSAF语音增强算法 | 第58-61页 |
| 5.3 性能分析 | 第61-63页 |
| 5.4 性能测试 | 第63-65页 |
| 5.4.1 实验数据说明 | 第63-64页 |
| 5.4.2 客观测试方法 | 第64-65页 |
| 5.4.3 主观测试方法 | 第65页 |
| 5.5 测试结果与分析 | 第65-74页 |
| 5.5.1 客观测试结果与分析 | 第65-71页 |
| 5.5.2 主观测试结果与分析 | 第71-74页 |
| 5.6 本章小结 | 第74-76页 |
| 结论 | 第76-78页 |
| 参考文献 | 第78-86页 |
| 攻读硕士学位期间发表的学术论文 | 第86-88页 |
| 攻读硕士学位期间参加的科研项目 | 第88-90页 |
| 致谢 | 第90页 |
