面向鼾声识别的麦克风阵列干扰抑制方法研究
| 摘要 | 第3-4页 |
| Abstract | 第4页 |
| 1 绪论 | 第7-14页 |
| 1.1 研究背景与意义 | 第7-8页 |
| 1.2 国内外研究现状 | 第8-13页 |
| 1.3 论文工作及结构安排 | 第13-14页 |
| 2 鼾声信号处理系统 | 第14-22页 |
| 2.1 鼾声产生机理 | 第14-16页 |
| 2.1.1 语音信号的线性可分离模型 | 第14-16页 |
| 2.1.2 鼾声产生的简化模型 | 第16页 |
| 2.2 系统处理框架设计 | 第16-18页 |
| 2.3 关键技术 | 第18-21页 |
| 2.3.1 自适应鼾声增强模块 | 第18-19页 |
| 2.3.2 鼾声来源识别模块 | 第19-21页 |
| 2.4 本章小结 | 第21-22页 |
| 3 自适应鼾声增强算法 | 第22-36页 |
| 3.1 广义旁瓣对消器算法原理 | 第22-25页 |
| 3.1.1 GSC结构 | 第22-23页 |
| 3.1.2 维纳滤波器 | 第23-25页 |
| 3.1.3 NLMS算法 | 第25页 |
| 3.2 自适应声源方向估计 | 第25-31页 |
| 3.2.1 LMS自适应滤波的TDOA估计原理 | 第26-28页 |
| 3.2.2 实测数据仿真 | 第28-31页 |
| 3.3 数据处理 | 第31-33页 |
| 3.4 改进的延时补偿GSC | 第33-35页 |
| 3.5 本章小结 | 第35-36页 |
| 4 基于卷积神经网络的鼾声来源识别 | 第36-49页 |
| 4.1 卷积神经网络框架 | 第36-44页 |
| 4.1.1 前向过程 | 第38-42页 |
| 4.1.2 反向传播算法 | 第42-44页 |
| 4.2 网络模型的性能评估与分析 | 第44-48页 |
| 4.3 本章小结 | 第48-49页 |
| 5 总结与未来展望 | 第49-50页 |
| 5.1 本文工作总结 | 第49页 |
| 5.2 未来工作展望 | 第49-50页 |
| 致谢 | 第50-51页 |
| 参考文献 | 第51-56页 |
| 附录 | 第56页 |
