| 摘要 | 第1-5页 |
| ABSTRACT | 第5-11页 |
| 第一章 绪论 | 第11-16页 |
| ·研究背景与意义 | 第11-12页 |
| ·基于独立分量分析的多通道盲分离技术 | 第12-13页 |
| ·基于计算听觉场景分析的单通道盲分离技术 | 第13-15页 |
| ·本论文的结构安排 | 第15-16页 |
| 第二章 线性瞬时ICA概述及其分离性能指标 | 第16-19页 |
| ·线性瞬时ICA基本原理 | 第16-17页 |
| ·分离性能评价指标 | 第17-19页 |
| 第三章 基于线性瞬时ICA的语音盲分离算法研究 | 第19-48页 |
| ·基于自然梯度ICA的语音盲分离算法的研究 | 第19-27页 |
| ·自然梯度ICA算法的基本原理 | 第19-21页 |
| ·自适应自然梯度语音盲分离算法 | 第21-23页 |
| ·批处理自然梯度语音盲分离算法 | 第23-24页 |
| ·变步长批处理自然梯度语音盲分离算法 | 第24-25页 |
| ·BATCH-NG与VS-BATCH-NG仿真实验结果对比 | 第25-27页 |
| ·基于信息最大化ICA的语音盲分离算法研究 | 第27-32页 |
| ·信息最大化算法基本原理 | 第27-29页 |
| ·仿真实验 | 第29-32页 |
| ·基于最大信噪比的语音盲分离算法 | 第32-35页 |
| ·基于最大信噪比的盲源分离算法基本原理 | 第32-33页 |
| ·算法的可分离性 | 第33页 |
| ·仿真实验 | 第33-35页 |
| ·基于全局最优的语音盲分离算法 | 第35-40页 |
| ·全局最优盲源分离算法的基本原理 | 第35-38页 |
| ·仿真实验 | 第38-40页 |
| ·基于灵活ICA语音盲分离算法的研究 | 第40-48页 |
| ·灵活ICA算法的基本原理 | 第40-42页 |
| ·改进的灵活ICA算法 | 第42-43页 |
| ·基于广义伽玛分布的灵活ICA算法 | 第43-45页 |
| ·仿真实验 | 第45-48页 |
| 第四章 计算听觉场景分析概述 | 第48-51页 |
| ·人耳的构造 | 第49-50页 |
| ·耳蜗的生理作用 | 第50-51页 |
| 第五章 基于Wang-Brown模型的CASA系统 | 第51-75页 |
| ·分解与特征提取 | 第51-60页 |
| ·耳蜗滤波器组模型 | 第51-55页 |
| ·内耳毛细胞传输模式 | 第55-56页 |
| ·听觉神经末梢发放概率的自相关映射 | 第56-60页 |
| ·基于Wang-Brown两层振荡器神经网络 | 第60-71页 |
| ·振荡器神经元模型 | 第60-64页 |
| ·分割振荡器神经网络 | 第64-67页 |
| ·聚类振荡器神经网络 | 第67-71页 |
| ·语音重构及CASA模型性能评估 | 第71-74页 |
| ·小结 | 第74-75页 |
| 第六章 基于Hu-Wang模型的CASA系统 | 第75-91页 |
| ·分解与特征提取 | 第76-80页 |
| ·相关图谱 | 第76-77页 |
| ·主基音周期 | 第77页 |
| ·包络相关图谱 | 第77-79页 |
| ·相邻信道互相关 | 第79-80页 |
| ·相邻信道包络互相关 | 第80页 |
| ·初始分离 | 第80-82页 |
| ·初始分组 | 第80-81页 |
| ·初始聚类 | 第81-82页 |
| ·基音跟踪 | 第82-86页 |
| ·时频单元标记 | 第86-88页 |
| ·最终分离 | 第88-89页 |
| ·最终分段 | 第88页 |
| ·最终聚类 | 第88-89页 |
| ·语音重构 | 第89-90页 |
| ·小结 | 第90-91页 |
| 第七章 Wang-Brown与Hu-Wang模型的增强性能评估 | 第91-94页 |
| 第八章 总结与展望 | 第94-97页 |
| ·论文的主要工作 | 第94-95页 |
| ·独立分量分析目前存在的问题及今后的发展方向 | 第95-96页 |
| ·计算听觉场景分析目前存在的问题及今后的发展方向 | 第96-97页 |
| 参考文献 | 第97-102页 |
| 致谢 | 第102-103页 |
| 在学期间发表的学术论文和参加科研情况 | 第103页 |
