| 摘要 | 第3-4页 |
| ABSTRACT | 第4页 |
| 图录 | 第5-7页 |
| 表录 | 第7-8页 |
| 目录 | 第8-11页 |
| 第一章 绪论 | 第11-17页 |
| 1.1 课题意义 | 第11-12页 |
| 1.2 基本问题 | 第12-13页 |
| 1.3 国外研究现状 | 第13-14页 |
| 1.4 国内研究现状 | 第14页 |
| 1.5 研究目标和亟待解决的问题 | 第14-15页 |
| 1.6 本文主要内容和章节安排 | 第15-17页 |
| 第二章 语音信号的分析和预处理 | 第17-29页 |
| 2.1 语音信号分析 | 第17-18页 |
| 2.2 分帧 | 第18-21页 |
| 2.3 预加重 | 第21页 |
| 2.4 语音增强和去噪 | 第21-27页 |
| 2.4.1 基于谱减法的语音增强算法 | 第23-24页 |
| 2.4.2 基于维纳滤波的语音增强算法 | 第24-25页 |
| 2.4.3 基于小波变换的语音增强算法 | 第25-26页 |
| 2.4.4 本项目中语音增强设计方案 | 第26-27页 |
| 2.5 本章小结 | 第27-29页 |
| 第三章 基于阈值比较的低功耗 VAD 算法 | 第29-48页 |
| 3.1 时域特征的提取 | 第29-35页 |
| 3.1.1 短时能量特征分析 | 第29-31页 |
| 3.1.2 短时过零率特征分析 | 第31-33页 |
| 3.1.3 短时相关性特征分析 | 第33-35页 |
| 3.2 熵类特征的提取 | 第35-39页 |
| 3.2.1 信息熵 | 第35-36页 |
| 3.2.2 LTSV 特征分析 | 第36-39页 |
| 3.3 阈值门限的设定和自适应调节 | 第39-41页 |
| 3.4 决策和平滑策略 | 第41-44页 |
| 3.5 实验性能分析 | 第44-47页 |
| 3.5.1 测评指标 | 第44页 |
| 3.5.2 参数设定 | 第44-45页 |
| 3.5.3 算法性能 | 第45-47页 |
| 3.6 本章小结 | 第47-48页 |
| 第四章 基于高斯混合模型的改进 VAD 算法 | 第48-72页 |
| 4.1 复杂特征提取 | 第48-56页 |
| 4.1.1 频域特征 | 第48-51页 |
| 4.1.2 倒谱特征 | 第51-56页 |
| 4.2 模型分析法 | 第56-62页 |
| 4.2.1 高斯混合模型 | 第56-58页 |
| 4.2.2 高斯混合模型的参数估计 | 第58-59页 |
| 4.2.3 高斯混合模型的输入训练集 | 第59-60页 |
| 4.2.4 基于高斯混合模型的检测 | 第60-62页 |
| 4.3 MFCC-GMM VAD 算法的优化 | 第62-66页 |
| 4.4 平滑和判决策略设计 | 第66-68页 |
| 4.5 性能分析和结果 | 第68-71页 |
| 4.5.1 测试用例设计 | 第68页 |
| 4.5.2 不同背景噪声的性能分析 | 第68-69页 |
| 4.5.3 不同信噪比下的性能分析 | 第69-70页 |
| 4.5.4 与其他 VAD 算法的性能对比 | 第70-71页 |
| 4.6 本章小结 | 第71-72页 |
| 第五章 基于 Android 系统移动平台的 VAD 算法应用实现 | 第72-83页 |
| 5.1 算法应用设计 | 第72-74页 |
| 5.2 开发平台 | 第74-78页 |
| 5.2.1 软件实验平台 | 第74-76页 |
| 5.2.2 硬件实验平台 | 第76页 |
| 5.2.3 应用设计模式 | 第76-78页 |
| 5.3 实现功能及接口 | 第78-80页 |
| 5.3.1 Client 端实现 | 第78-79页 |
| 5.3.2 Server 端实现 | 第79-80页 |
| 5.3.3 Client/Server 通信 | 第80页 |
| 5.4 移动终端测试结果 | 第80-82页 |
| 5.5 本章小结 | 第82-83页 |
| 第六章 结束语 | 第83-85页 |
| 6.1 主要工作与创新点 | 第83页 |
| 6.2 后续研究工作 | 第83-85页 |
| 参考文献 | 第85-88页 |
| 致谢 | 第88-89页 |
| 攻读硕士学位期间已发表或录用的论文 | 第89-91页 |