| 摘要 | 第6-7页 |
| Abstract | 第7-8页 |
| 第1章 绪论 | 第13-19页 |
| 1.1 课题研究背景和意义 | 第13-14页 |
| 1.2 国内外研究现状及发展趋势 | 第14-15页 |
| 1.2.1 混合声音信号辨别的发展历史和现状 | 第14-15页 |
| 1.2.2 混合声音信号辨别技术存在的不足及发展趋势 | 第15页 |
| 1.3 GPU及其通用计算架构CUDA | 第15-17页 |
| 1.4 本文主要内容和结构安排 | 第17-18页 |
| 1.4.1 论文主要研究内容 | 第17页 |
| 1.4.2 论文结构安排 | 第17-18页 |
| 1.5 本章小结 | 第18-19页 |
| 第2章 混合声音信号辨别的常用方法 | 第19-27页 |
| 2.1 混合声音信号辨别的设计目标与方法 | 第19页 |
| 2.2 混合声音信号分离的基本理论 | 第19-22页 |
| 2.2.1 基本理论和数学模型 | 第19-21页 |
| 2.2.2 混合声音信号分离的可行性 | 第21-22页 |
| 2.3 混合声音信号分离方法的基本概述 | 第22-23页 |
| 2.3.1 基于高阶累积量的分离算法 | 第22页 |
| 2.3.2 基于神经网络的分离算法 | 第22-23页 |
| 2.3.3 基于信息理论的分离算法 | 第23页 |
| 2.4 声源辨别常用方法概述 | 第23-25页 |
| 2.5 本章小结 | 第25-27页 |
| 第3章 混合声音信号的分离 | 第27-38页 |
| 3.1 混合声音信号分离算法的预处理 | 第27-28页 |
| 3.2 Fast ICA算法 | 第28-34页 |
| 3.2.1 非高斯性度量 | 第28-30页 |
| 3.2.2 基于负熵的梯度算法 | 第30-31页 |
| 3.2.3 基于负熵的Fast ICA算法 | 第31-34页 |
| 3.3 基于负熵的Fast ICA并行化算法 | 第34-35页 |
| 3.3.1 协方差矩阵运算的GPU映射 | 第34-35页 |
| 3.3.2 设备端并行白化处理 | 第35页 |
| 3.3.3 ICA迭代的GPU移植 | 第35页 |
| 3.4 本章小结 | 第35-38页 |
| 第4章 基于并行化深度神经网络的声源辨别模型 | 第38-53页 |
| 4.1 多特征值融合的复合特征值提取 | 第38-43页 |
| 4.1.1 线性预测系数与其倒谱系数 | 第38-39页 |
| 4.1.2 梅尔频率倒谱系数 | 第39-42页 |
| 4.1.3 多特征值信息融合 | 第42-43页 |
| 4.2 基于深度信念网络的声源辨别模型 | 第43-48页 |
| 4.2.1 深度神经网络概述 | 第43-45页 |
| 4.2.2 深度信念网络（DBN） | 第45-48页 |
| 4.2.3 基于声源辨别的深度信念网络模型 | 第48页 |
| 4.3 基于CUDA的并行DBN优化模型 | 第48-51页 |
| 4.4 本章小结 | 第51-53页 |
| 第5章 混合声音信号辨别的并行化方法的仿真与测试 | 第53-65页 |
| 5.1 混合声音信号辨别的并行化模型设计 | 第53页 |
| 5.2 混合声音信号分离的仿真与分析 | 第53-58页 |
| 5.2.1 混合声音信号的分离仿真 | 第53-56页 |
| 5.2.2 混合声音信号分离的优化测试 | 第56-58页 |
| 5.3 声源辨别系统测试与分析 | 第58-63页 |
| 5.3.1 测试环境与评估标准 | 第58-59页 |
| 5.3.2 实验数据分析 | 第59-63页 |
| 5.4 本章小结 | 第63-65页 |
| 总结与展望 | 第65-68页 |
| 参考文献 | 第68-72页 |
| 攻读硕士学位期间发表的学术成果 | 第72-74页 |
| 致谢 | 第74-75页 |
| 详细摘要 | 第75-79页 |