| 摘要 | 第4-5页 |
| Abstract | 第5-6页 |
| 1 绪论 | 第9-13页 |
| 1.1 研究背景及意义 | 第9-10页 |
| 1.2 国内外研究现状 | 第10-11页 |
| 1.3 本论文主要研究内容及章节安排 | 第11-13页 |
| 2 基础知识和基本原理 | 第13-19页 |
| 2.1 单通道声乐源信号分离数学模型 | 第13页 |
| 2.2 短时傅里叶变换 | 第13-14页 |
| 2.3 声乐信号特性 | 第14-16页 |
| 2.3.1 音乐的冲击特性 | 第14-15页 |
| 2.3.2 语音的谐波特性 | 第15-16页 |
| 2.4 语音信号的稀疏性 | 第16-17页 |
| 2.5 单通道源信号分离评价标准 | 第17-18页 |
| 2.6 本章小结 | 第18-19页 |
| 3 基于非负张量分解和重复模式提取的声乐源信号分离方法研究 | 第19-36页 |
| 3.1 非负矩阵分解 | 第19-20页 |
| 3.2 重复模式提取技术 | 第20-23页 |
| 3.2.1 周期提取 | 第20-22页 |
| 3.2.2 自适应周期提取 | 第22-23页 |
| 3.3 基于非负张量分解和重复模式提取的单通道声乐源信号分离 | 第23-31页 |
| 3.3.1 基于NTF的单通道声乐源信号分离 | 第23-27页 |
| 3.3.2 相似矩阵重复模式提取 | 第27-29页 |
| 3.3.3 滤波后处理 | 第29-30页 |
| 3.3.4 基于NTF和REPET的单通道声乐分离 | 第30-31页 |
| 3.4 计算机仿真实验结果 | 第31-35页 |
| 3.5 本章小结 | 第35-36页 |
| 4 基于深度递归神经网络的单通道源信号分离方法研究 | 第36-55页 |
| 4.1 深度学习概论 | 第36-37页 |
| 4.1.1 问题的提出 | 第36页 |
| 4.1.2 深度学习的基本思想和训练方法 | 第36-37页 |
| 4.2 深度学习模型 | 第37-41页 |
| 4.2.1 受限玻尔兹曼机 | 第37-38页 |
| 4.2.2 深信度网络 | 第38-39页 |
| 4.2.3 深度卷积神经网络 | 第39-41页 |
| 4.3 基于深度递归神经网络的声乐源信号分离方法研究 | 第41-54页 |
| 4.3.1 基于改进的目标函数的声乐源信号分离 | 第42-48页 |
| 4.3.2 计算机仿真实验结果 | 第48-50页 |
| 4.3.3 基于自适应激活函数的声乐源信号分离 | 第50-53页 |
| 4.3.4 计算机仿真实验结果 | 第53-54页 |
| 4.4 本章小结 | 第54-55页 |
| 结论 | 第55-57页 |
| 参考文献 | 第57-62页 |
| 攻读硕士学位期间发表学术论文情况 | 第62-63页 |
| 致谢 | 第63-64页 |
