| 摘要 | 第4-6页 |
| ABSTRACT | 第6-7页 |
| 第一章 绪论 | 第13-20页 |
| 1.1 语音增强 | 第13-14页 |
| 1.1.1 语音增强的定义 | 第13页 |
| 1.1.2 语音增强的研究意义 | 第13-14页 |
| 1.1.3 语音增强的分类 | 第14页 |
| 1.2 国内外研究现状 | 第14-17页 |
| 1.2.1 利用深度神经网络估计出干净信号 | 第14-15页 |
| 1.2.2 利用深度神经网络分别估计出干净语音信号和噪声信号 | 第15-16页 |
| 1.2.3 利用深度神经网络估计出掩蔽值 | 第16-17页 |
| 1.3 论文主要工作与章节安排 | 第17-20页 |
| 1.3.1 论文主要工作 | 第17-18页 |
| 1.3.2 论文章节安排 | 第18-20页 |
| 第二章 基于深度神经网络的语音增强 | 第20-35页 |
| 2.1 引言 | 第20页 |
| 2.2 深度神经网络结构及其优化策略 | 第20-25页 |
| 2.2.1 网络框架 | 第20-22页 |
| 2.2.2 基于受限玻尔兹曼机的初始化 | 第22-23页 |
| 2.2.3 参数训练 | 第23-24页 |
| 2.2.4 梯度下降算法及其改进 | 第24-25页 |
| 2.2.5 学习率 | 第25页 |
| 2.3 基于深度神经网络的语音增强系统 | 第25-29页 |
| 2.4 实验与分析 | 第29-34页 |
| 2.4.1 实验语料 | 第29-30页 |
| 2.4.2 评价指标 | 第30-31页 |
| 2.4.3 参数设置 | 第31页 |
| 2.4.4 结果与分析 | 第31-34页 |
| 2.5 本章小结 | 第34-35页 |
| 第三章 子空间DNN权重估计的结构保持语音增强 | 第35-42页 |
| 3.1 引言 | 第35页 |
| 3.2 子空间DNN权重估计的结构保持语音增强算法 | 第35-37页 |
| 3.2.1 非负矩阵分解及其稀疏形式 | 第35-36页 |
| 3.2.2 子空间DNN权重估计的结构保持语音增强 | 第36-37页 |
| 3.3 实验与分析 | 第37-41页 |
| 3.3.1 稀疏因子对实验结果的影响分析 | 第37-38页 |
| 3.3.2 子空间DNN权重估计的结构保持语音增强的实验结果及分析 | 第38-41页 |
| 3.4 本章小结 | 第41-42页 |
| 第四章 失配环境下的基于DNN的语音增强自适应方法 | 第42-59页 |
| 4.1 引言 | 第42页 |
| 4.2 噪声感知训练 | 第42-44页 |
| 4.2.1 i-vector的提取 | 第42-43页 |
| 4.2.2 特征组合 | 第43-44页 |
| 4.3 迁移学习失配补偿算法 | 第44-47页 |
| 4.3.1 l_1正则化 | 第46-47页 |
| 4.3.2 l_2正则化 | 第47页 |
| 4.3.3 弹性网正则化 | 第47页 |
| 4.4 实验与分析 | 第47-58页 |
| 4.4.1 正则化函数的对比和选择 | 第47-50页 |
| 4.4.2 信噪比失配环境下的实验结果 | 第50-54页 |
| 4.4.3 噪声类型失配环境下的实验结果 | 第54-58页 |
| 4.5 本章小结 | 第58-59页 |
| 第五章 基于GAN的语音增强系统 | 第59-69页 |
| 5.1 引言 | 第59页 |
| 5.2 基于生成式对抗网络的语音增强 | 第59-64页 |
| 5.2.1 生成式对抗网络 | 第59-60页 |
| 5.2.2 基于生成式对抗网络的语音增强 | 第60-62页 |
| 5.2.3 训练过程 | 第62页 |
| 5.2.4 激活函数的选择和改进 | 第62-64页 |
| 5.3 实验与分析 | 第64-67页 |
| 5.3.1 实验语料 | 第64-65页 |
| 5.3.2 参数设置 | 第65页 |
| 5.3.3 评价指标 | 第65-66页 |
| 5.3.4 结果与分析 | 第66-67页 |
| 5.4 本章小结 | 第67-69页 |
| 第六章 总结与展望 | 第69-71页 |
| 6.1 全文总结 | 第69-70页 |
| 6.2 工作展望 | 第70-71页 |
| 致谢 | 第71-72页 |
| 参考文献 | 第72-78页 |
| 作者简历 | 第78页 |
