| 摘要 | 第4-5页 |
| abstract | 第5-6页 |
| 专用术语注释表 | 第9-10页 |
| 第一章 绪论 | 第10-18页 |
| 1.1 课题研究背景和意义 | 第10-11页 |
| 1.2 国内外发展现状 | 第11-13页 |
| 1.3 盲源分离问题概述 | 第13-15页 |
| 1.3.1 盲源分离问题的基本框架 | 第13页 |
| 1.3.2 盲源分离问题分类 | 第13-15页 |
| 1.4 论文主要研究内容和章节安排 | 第15-18页 |
| 1.4.1 论文主要研究内容 | 第15-16页 |
| 1.4.2 论文章节安排 | 第16-18页 |
| 第二章 基于稀疏表示的单通道盲源分离 | 第18-30页 |
| 2.1 稀疏表示理论 | 第18-22页 |
| 2.1.1 稀疏信号 | 第18页 |
| 2.1.2 稀疏表示 | 第18-22页 |
| 2.2 语音信号的预处理和分离质量评价 | 第22-26页 |
| 2.2.1 语音信号的预处理 | 第22-24页 |
| 2.2.2 语音分离质量评价 | 第24-26页 |
| 2.3 基于稀疏表示的单通道盲源分离问题研究 | 第26-28页 |
| 2.4 实验仿真分析 | 第28-29页 |
| 2.5 本章小结 | 第29-30页 |
| 第三章 基于含公共子字典的联合字典的单通道盲源分离 | 第30-42页 |
| 3.1 引言 | 第30-31页 |
| 3.2 基于含公共子字典的联合字典的单通道盲源分离 | 第31-37页 |
| 3.2.1 含公共子字典的联合字典构建 | 第31-34页 |
| 3.2.2 基于含公共子字典的联合字典的单通道盲源分离算法描述 | 第34-37页 |
| 3.3 实验仿真分析 | 第37-41页 |
| 3.4 本章小结 | 第41-42页 |
| 第四章 基于深度学习的单通道盲源分离算法研究 | 第42-61页 |
| 4.1 引言 | 第42页 |
| 4.2 深度学习 | 第42-46页 |
| 4.2.1 深度学习的发展历史 | 第42-44页 |
| 4.2.2 深度学习相关技术 | 第44-46页 |
| 4.3 深度神经网络 | 第46-54页 |
| 4.3.1 受限玻尔兹曼机-深度置信网络-深度神经网络模型 | 第46-49页 |
| 4.3.2 训练深度神经网络 | 第49-53页 |
| 4.3.3 深度神经网络的训练技巧 | 第53-54页 |
| 4.4 基于深度神经网络的语音分离模型 | 第54-57页 |
| 4.5 实验仿真分析 | 第57-60页 |
| 4.6 本章小结 | 第60-61页 |
| 第五章 总结与展望 | 第61-63页 |
| 5.1 论文总结 | 第61页 |
| 5.2 进一步的研究工作 | 第61-63页 |
| 参考文献 | 第63-68页 |
| 附录1 攻读硕士学位期间撰写的论文 | 第68-69页 |
| 附录2 攻读硕士学位期间申请的专利 | 第69-70页 |
| 附录3 攻读硕士学位期间参加的科研项目 | 第70-71页 |
| 致谢 | 第71页 |
