基于深度神经网络的码书驱动语音增强方法研究
| 摘要 | 第5-7页 |
| Abstract | 第7-8页 |
| 第1章 绪论 | 第11-19页 |
| 1.1 课题背景 | 第11页 |
| 1.2 国内外研究现状 | 第11-15页 |
| 1.2.1 无需先验知识的语音增强 | 第12-13页 |
| 1.2.2 基于先验知识的语音增强算法 | 第13-15页 |
| 1.3 研究目标 | 第15-16页 |
| 1.4 研究内容 | 第16-17页 |
| 1.5 论文结构 | 第17-19页 |
| 第2章 基于先验知识的语音增强 | 第19-35页 |
| 2.1 基于极大似然准则(ML)的码书驱动方法 | 第19-24页 |
| 2.1.1 原理框图 | 第20页 |
| 2.1.2 算法原理 | 第20-24页 |
| 2.2 基于深度神经网络的功率谱预测 | 第24-30页 |
| 2.2.1 算法框图 | 第25页 |
| 2.2.2 算法原理 | 第25-30页 |
| 2.2.2.1 深度神经网络的结构 | 第25-27页 |
| 2.2.2.2 输入特征的提取 | 第27页 |
| 2.2.2.3 深度神经网络的训练 | 第27-30页 |
| 2.2.2.4 线上语音重构 | 第30页 |
| 2.3 结果分析 | 第30-33页 |
| 2.4 本章小结 | 第33-35页 |
| 第3章 基于深度神经网络的码书驱动语音增强 | 第35-61页 |
| 3.1 算法概述 | 第35-36页 |
| 3.2 基于深度神经网络的AR模型系数估计 | 第36-48页 |
| 3.2.1 利用深度神经网络的码书驱动法 | 第36-45页 |
| 3.2.1.1 算法框图 | 第36-37页 |
| 3.2.1.2 梅尔倒谱系数特征提取 | 第37-40页 |
| 3.2.1.3 训练目标 | 第40-41页 |
| 3.2.1.4 深度神经网络结构 | 第41页 |
| 3.2.1.5 基于交叉熵准则的代价函数 | 第41-42页 |
| 3.2.1.6 基于adam算法训练深度神经网络 | 第42-44页 |
| 3.2.1.7 AR参数线上估计 | 第44-45页 |
| 3.2.2 基于深度神经网络的AR参数预测 | 第45-48页 |
| 3.2.2.1 算法框图 | 第46-47页 |
| 3.2.2.2 网络训练 | 第47页 |
| 3.2.2.3 线上AR参数估计 | 第47-48页 |
| 3.3 谐波增强算法 | 第48-50页 |
| 3.4 算法性能测试 | 第50-60页 |
| 3.4.1 客观测试方法介绍 | 第50-51页 |
| 3.4.2 测试结果及分析 | 第51-60页 |
| 3.5 本章小结 | 第60-61页 |
| 第4章 基于循环堆叠式卷积自编码器的语音增强 | 第61-85页 |
| 4.1 算法框图 | 第61-63页 |
| 4.2 卷积自编码器 | 第63-68页 |
| 4.2.1 卷积神经网络 | 第63-66页 |
| 4.2.1.1 卷积层 | 第64-65页 |
| 4.2.1.2 池化层 | 第65-66页 |
| 4.2.2 卷积自编码器 | 第66-68页 |
| 4.3 循环堆叠式卷积自编码器 | 第68-70页 |
| 4.4 基于循环堆叠式卷积自编码器的AR参数估计 | 第70-71页 |
| 4.5 基于码书的HNM谐波恢复 | 第71-74页 |
| 4.6 算法性能测试 | 第74-83页 |
| 4.7 本章小结 | 第83-85页 |
| 结论 | 第85-87页 |
| 参考文献 | 第87-91页 |
| 攻读硕士学位期间所发表的学术论文 | 第91-93页 |
| 攻读硕士学位期间参加的科研项目及获奖情况 | 第93-95页 |
| 致谢 | 第95页 |
