噪声环境下的语音端点检测方法研究
| 摘要 | 第5-6页 |
| ABSTRACT | 第6页 |
| 第一章 绪论 | 第9-15页 |
| 1.1 研究背景和意义 | 第9-11页 |
| 1.2 语音端点检测算法的研究状况 | 第11-13页 |
| 1.3 论文研究工作及章节安排 | 第13-15页 |
| 第二章 噪声环境下的传统端点检测及存在问题分析 | 第15-27页 |
| 2.1 典型VAD模块 | 第15-22页 |
| 2.1.1 特征提取 | 第15-17页 |
| 2.1.2 噪声估计 | 第17-18页 |
| 2.1.3 判决规则 | 第18-22页 |
| 2.1.4 判决平滑 | 第22页 |
| 2.2 传统VAD在噪声环境下的性能分析 | 第22-26页 |
| 2.2.1 算法流程简介 | 第22-23页 |
| 2.2.2 实验结果分析 | 第23-25页 |
| 2.2.3 结论 | 第25-26页 |
| 2.3 本章小结 | 第26-27页 |
| 第三章 背景噪声下的语音端点检测算法 | 第27-55页 |
| 3.1 背景噪声下语音端点检测算法概述 | 第27-34页 |
| 3.1.1 背景噪声下语音端点检测算法简述 | 第28-30页 |
| 3.1.2 基于熵选择特征值的算法验证 | 第30-34页 |
| 3.2 基于子带的LTSD的算法 | 第34-44页 |
| 3.2.1 定义与原理 | 第34-39页 |
| 3.2.2 改进的基于子带的LTSD算法说明 | 第39-42页 |
| 3.2.3 结果与分析 | 第42-44页 |
| 3.3 基于周期性和非周期性分量功率比值的算法 | 第44-54页 |
| 3.3.1 定义与原理 | 第44-47页 |
| 3.3.2 改进的基于PAR的端点检测算法 | 第47-52页 |
| 3.3.3 实验结果分析 | 第52-54页 |
| 3.4 本章小结 | 第54-55页 |
| 第四章 背景噪声分类方法的制定 | 第55-66页 |
| 4.1 噪声特征 | 第55-59页 |
| 4.1.1 平稳性特征 | 第55-57页 |
| 4.1.2 子带能量分布特征 | 第57-58页 |
| 4.1.3 谱熵特征 | 第58页 |
| 4.1.4 基频特征 | 第58-59页 |
| 4.2 噪声分类的方法 | 第59-65页 |
| 4.2.1 基于硬判决的噪声分类法 | 第59-61页 |
| 4.2.2 基于神经网络模型的噪声分类法 | 第61-65页 |
| 4.3 本章小结 | 第65-66页 |
| 第五章 基于噪声分类的自适应语音端点检测方法 | 第66-72页 |
| 5.1 基于噪声分类的端点检测方法的设计 | 第66-69页 |
| 5.1.1 噪声段粗估计与提取 | 第67-68页 |
| 5.1.2 算法选择 | 第68-69页 |
| 5.2 基于噪声分类的端点检测方法的实验 | 第69-71页 |
| 5.2.1 实验数据 | 第69页 |
| 5.2.2 实验结果 | 第69-71页 |
| 5.3 本章小结 | 第71-72页 |
| 结论 | 第72-74页 |
| 总结 | 第72页 |
| 展望 | 第72-74页 |
| 参考文献 | 第74-82页 |
| 攻读硕士学位期间取得的研究成果 | 第82-83页 |
| 致谢 | 第83-84页 |
| 附件 | 第84页 |
