| 摘要 | 第5-6页 |
| Abstract | 第6-7页 |
| 第一章 绪论 | 第10-14页 |
| 1.1 研究背景和意义 | 第10-12页 |
| 1.2 论文的主要研究内容和结构 | 第12-14页 |
| 第二章 压缩感知重构算法介绍 | 第14-22页 |
| 2.1 匹配追踪算法 | 第14-20页 |
| 2.1.1 OMP算法 | 第15-16页 |
| 2.1.2 StOMP算法 | 第16-17页 |
| 2.1.3 ROMP算法 | 第17-18页 |
| 2.1.4 基于回溯思想的匹配追踪算法(CoSaMP、SP) | 第18-19页 |
| 2.1.5 SAMP算法 | 第19-20页 |
| 2.2 最小L1范数模型 | 第20页 |
| 2.3 加权L1算法 | 第20-21页 |
| 2.4 本章小结 | 第21-22页 |
| 第三章 基于小波树模型的改进SP算法 | 第22-29页 |
| 3.1 SP算法简介 | 第22-23页 |
| 3.2 基于小波树模型的改进SP算法 | 第23-26页 |
| 3.2.1 小波树稀疏信号模型 | 第23-24页 |
| 3.2.2 基于小波树模型的逼近 | 第24-25页 |
| 3.2.3 基于小波树模型的改进SP算法 | 第25-26页 |
| 3.3 实验结果分析 | 第26-28页 |
| 3.4 本章小结 | 第28-29页 |
| 第四章 一种基于自适应次梯度投影语音信号压缩与重建方法 | 第29-42页 |
| 4.1 理论基础 | 第30-32页 |
| 4.1.1 压缩重构理论 | 第30页 |
| 4.1.2 自适应次梯度投影算法 | 第30-32页 |
| 4.2 语音信号的稀疏表示与重构 | 第32-35页 |
| 4.2.1 基于双正交小波的语音信号稀疏表示 | 第32-35页 |
| 4.3 实验与仿真 | 第35-40页 |
| 4.3.1 语音信号的稀疏化实验 | 第35-37页 |
| 4.3.2 语音信号的重构性能比较 | 第37-40页 |
| 4.4 结论 | 第40-42页 |
| 第五章 一种基于GMM均值超向量稀疏分解的说话人识别技术 | 第42-52页 |
| 5.1 特征值提取 | 第42-45页 |
| 5.1.1 语音预处理 | 第42-43页 |
| 5.1.2 MFCC与差分MFCC | 第43-44页 |
| 5.1.3 基音周期 | 第44-45页 |
| 5.2 GMM超向量训练 | 第45-47页 |
| 5.2.1 单高斯模型 | 第45-46页 |
| 5.2.2 高斯混合模型 | 第46-47页 |
| 5.2.3 EM算法及初值给定问题 | 第47页 |
| 5.3 稀疏分解 | 第47-49页 |
| 5.3.1 MP | 第47-48页 |
| 5.3.2 OMP | 第48-49页 |
| 5.3.3 基于稀疏表示的分类算法 | 第49页 |
| 5.4 基于拉普拉斯先验的BCS重构算法 | 第49-50页 |
| 5.5 仿真结果与分析 | 第50-51页 |
| 5.6 本章小结 | 第51-52页 |
| 第六章 总结与展望 | 第52-54页 |
| 6.1 总结 | 第52页 |
| 6.2 展望 | 第52-54页 |
| 参考文献 | 第54-56页 |
| 致谢 | 第56页 |
