| 摘要 | 第5-7页 |
| ABSTRACT | 第7-8页 |
| 符号对照表 | 第11-12页 |
| 缩略语对照表 | 第12-15页 |
| 第一章 绪论 | 第15-21页 |
| 1.1 语音增强的意义 | 第15-16页 |
| 1.2 语音增强的研究背景及现状 | 第16-17页 |
| 1.3 神经网络的研究背景及现状 | 第17-18页 |
| 1.4 本论文的工作和章节安排 | 第18-21页 |
| 第二章 传统单声道语音增强算法研究 | 第21-31页 |
| 2.1 语音的特性 | 第21-22页 |
| 2.2 噪声的特性 | 第22-23页 |
| 2.3 单声道语音增强算法概述 | 第23-24页 |
| 2.4 子空间语音增强算法的原理 | 第24-27页 |
| 2.4.1 语音信号的线性模型 | 第25页 |
| 2.4.2 信号与噪声子空间 | 第25-27页 |
| 2.5 基于线性估计的子空间算法 | 第27-29页 |
| 2.6 本章小结 | 第29-31页 |
| 第三章 深度神经网络基础理论 | 第31-43页 |
| 3.1 神经元数学模型 | 第31-32页 |
| 3.2 误差反向传播算法研究 | 第32-35页 |
| 3.3 深度学习简介 | 第35-37页 |
| 3.3.1 浅层结构和深层结构 | 第35-36页 |
| 3.3.2 深度学习的训练机制 | 第36页 |
| 3.3.3 深度学习的主流模型 | 第36-37页 |
| 3.4 栈自动编码机 | 第37-38页 |
| 3.5 深度信念神经网络 | 第38-42页 |
| 3.6 本章小结 | 第42-43页 |
| 第四章 基于深度学习的语音增强方法 | 第43-61页 |
| 4.1 基于DBN的噪声幅度谱估计语音增强方法 | 第43-48页 |
| 4.2 窗函数的选择 | 第48-53页 |
| 4.3 噪声分类模块设计 | 第53-58页 |
| 4.3.1 BP神经网络分类 | 第55-57页 |
| 4.3.2 栈自动编码机分类 | 第57-58页 |
| 4.4 子空间语音增强方法的改进 | 第58-60页 |
| 4.4.1 传统子空间语音增强方法的不足之处 | 第58-59页 |
| 4.4.2 改进的子空间语音增强方法 | 第59-60页 |
| 4.5 本章小结 | 第60-61页 |
| 第五章 实验结果及分析 | 第61-71页 |
| 5.1 语音质量评价标准介绍 | 第61-63页 |
| 5.1.1 主观评价 | 第61-62页 |
| 5.1.2 客观评价 | 第62-63页 |
| 5.2 基于DBN的噪声幅度谱估计语音增强方法性能分析 | 第63-66页 |
| 5.3 改进的子空间语音增强方法性能分析 | 第66-69页 |
| 5.4 本章小结 | 第69-71页 |
| 第六章 总结与展望 | 第71-73页 |
| 6.1 本文工作总结 | 第71页 |
| 6.2 展望 | 第71-73页 |
| 参考文献 | 第73-77页 |
| 致谢 | 第77-79页 |
| 作者简介 | 第79-80页 |