驾驶环境下低信噪比语音增强算法研究
| 致谢 | 第5-6页 |
| 摘要 | 第6-7页 |
| ABSTRACT | 第7-8页 |
| 1 引言 | 第11-15页 |
| 1.1 概述 | 第11-12页 |
| 1.1.1 语音增强的发展 | 第11-12页 |
| 1.1.2 驾驶环境语音增强算法的研究现状 | 第12页 |
| 1.2 语音增强算法的研究意义 | 第12-14页 |
| 1.2.1 语音增强算法的应用 | 第12-13页 |
| 1.2.2 驾驶环境语音增强算法的研究意义 | 第13-14页 |
| 1.3 论文的主要研究内容与结构安排 | 第14-15页 |
| 2 语音增强算法概述 | 第15-30页 |
| 2.1 增强算法介绍 | 第15-25页 |
| 2.1.1 带噪语音信号分析 | 第15-16页 |
| 2.1.2 汽车噪声分析 | 第16-17页 |
| 2.1.3 无监督增强算法 | 第17-21页 |
| 2.1.4 有监督增强算法 | 第21-25页 |
| 2.2 增强算法的评价指标 | 第25-29页 |
| 2.2.1 客观指标 | 第25-27页 |
| 2.2.2 主观评价指标 | 第27-29页 |
| 2.3 本章小结 | 第29-30页 |
| 3 神经网络增强算法 | 第30-51页 |
| 3.1 神经网络增强算法综述 | 第30-32页 |
| 3.1.1 人工神经网络的发展 | 第30-31页 |
| 3.1.2 神经网络语音增强算法 | 第31-32页 |
| 3.2 特征提取 | 第32-34页 |
| 3.2.1 信号预处理 | 第32页 |
| 3.2.2 语音信号特征提取 | 第32-34页 |
| 3.3 网络训练 | 第34-43页 |
| 3.3.1 深层神经网络训练算法 | 第34-40页 |
| 3.3.2 两步有监督训练算法 | 第40-42页 |
| 3.3.3 两种网络相结合的增强算法 | 第42-43页 |
| 3.4 实验结果与分析 | 第43-50页 |
| 3.5 本章小结 | 第50-51页 |
| 4 两步有监督训练增强算法优化 | 第51-61页 |
| 4.1 分类去噪 | 第51-55页 |
| 4.1.1 去噪系统设计 | 第51页 |
| 4.1.2 能量复杂度端点检测算法 | 第51-55页 |
| 4.2 MCRA噪声估计 | 第55-58页 |
| 4.2.1 特征能量自适应 | 第55-56页 |
| 4.2.2 MCRA噪声估计 | 第56-58页 |
| 4.3 实验结果分析 | 第58-60页 |
| 4.4 本章小结 | 第60-61页 |
| 5 结论与展望 | 第61-63页 |
| 5.1 本文的主要工作 | 第61页 |
| 5.2 后续的研究工作 | 第61-63页 |
| 参考文献 | 第63-67页 |
| 作者简历及攻读硕士学位期间取得的研究成果 | 第67-69页 |
| 学位论文数据集 | 第69页 |
