| 摘要 | 第4-5页 |
| Abstract | 第5-6页 |
| 第一章 绪论 | 第11-17页 |
| 1.1 语音增强的研究背景及意义 | 第11-12页 |
| 1.2 国内外研究进展 | 第12-15页 |
| 1.3 本文主要内容和组织结构 | 第15-17页 |
| 第二章 语音增强相关理论基础 | 第17-35页 |
| 2.1 语音特性与噪声分类 | 第17-19页 |
| 2.1.1 语音特性 | 第17-18页 |
| 2.1.2 噪声分类 | 第18-19页 |
| 2.2 语音信号的预处理 | 第19-24页 |
| 2.2.1 分帧和加窗 | 第19-20页 |
| 2.2.2 有效语音检测 | 第20-21页 |
| 2.2.3 语音的特征分析 | 第21-24页 |
| 2.3 语音增强经典算法 | 第24-31页 |
| 2.3.1 谱减法 | 第24-26页 |
| 2.3.2 维纳滤波法 | 第26-27页 |
| 2.3.3 基于MMSE的语音增强算法 | 第27-28页 |
| 2.3.4 基于非负矩阵分解的语音增强算法 | 第28-29页 |
| 2.3.5 基于HMM的语音增强算法 | 第29-30页 |
| 2.3.6 基于深度神经网络的语音增强算法 | 第30-31页 |
| 2.4 语音质量评价标准 | 第31-34页 |
| 2.4.1 主观质量评价 | 第32-33页 |
| 2.4.2 客观质量评价 | 第33-34页 |
| 2.5 本章小结 | 第34-35页 |
| 第三章 基于自适应字典学习的语音增强方法 | 第35-55页 |
| 3.1 带噪语音信号的字典学习模型 | 第35-38页 |
| 3.1.1 字典的构建方法 | 第36-37页 |
| 3.1.2 目标函数的优化方法 | 第37-38页 |
| 3.2 基于K-SVD的语音增强算法 | 第38-39页 |
| 3.3 基于非参数贝叶斯自适应字典的语音增强算法 | 第39-46页 |
| 3.3.1 贝叶斯理论基础 | 第40-42页 |
| 3.3.2 基于BPFA的语音增强算法 | 第42-46页 |
| 3.4 实验和结果 | 第46-52页 |
| 3.4.1 实验设置 | 第46-48页 |
| 3.4.2 实验分析与讨论 | 第48-52页 |
| 3.5 本章小结 | 第52-55页 |
| 第四章 基于双向循环神经网络的语音增强方法 | 第55-75页 |
| 4.1 循环神经网络算法概述 | 第55-58页 |
| 4.2 几种常见的循环神经网络算法 | 第58-63页 |
| 4.2.1 简单循环神经网络 | 第58-60页 |
| 4.2.2 长短期记忆模型 | 第60-62页 |
| 4.2.3 双向长短期记忆模型 | 第62-63页 |
| 4.3 基于BLSTM的语音增强方法 | 第63-73页 |
| 4.3.1 算法描述 | 第63-65页 |
| 4.3.2 实验设置 | 第65-67页 |
| 4.3.3 语音增强结果分析 | 第67-68页 |
| 4.3.4 增强结果在语音识别任务中的应用效果分析 | 第68-73页 |
| 4.4 本章小结 | 第73-75页 |
| 第五章 总结与展望 | 第75-77页 |
| 5.1 总结 | 第75页 |
| 5.2 展望 | 第75-77页 |
| 参考文献 | 第77-82页 |
| 致谢 | 第82-83页 |
| 攻读学位期间发表的学术论文 | 第83页 |