| 摘要 | 第5-7页 |
| Abstract | 第7-8页 |
| 目录 | 第9-12页 |
| 第1章 绪论 | 第12-22页 |
| 1.1 研究背景和意义 | 第12-13页 |
| 1.2 语音增强的研究现状 | 第13-20页 |
| 1.2.1 子空间方法 | 第13-14页 |
| 1.2.2 基于短时谱估计的方法 | 第14-16页 |
| 1.2.3 维纳滤波法 | 第16页 |
| 1.2.4 基于训练模型的方法 | 第16-17页 |
| 1.2.5 基于听觉掩蔽效应的方法 | 第17-18页 |
| 1.2.6 基于噪声估计的方法 | 第18-20页 |
| 1.3 本文主要内容和章节安排 | 第20-22页 |
| 第2章 噪声估计和语音增强的基本原理 | 第22-42页 |
| 2.1 语音和噪声的特征 | 第22-24页 |
| 2.1.1 语音信号的特性 | 第22-23页 |
| 2.1.2 噪声信号的特性 | 第23页 |
| 2.1.3 人耳感知特性 | 第23-24页 |
| 2.2 噪声估计的主要方法及其原理 | 第24-39页 |
| 2.2.1 MS算法 | 第24-29页 |
| 2.2.2 MCRA算法 | 第29-32页 |
| 2.2.3 IMCRA算法 | 第32-36页 |
| 2.2.4 Rangachari的噪声估计算法 | 第36-39页 |
| 2.3 语音增强的性能评价方法 | 第39-41页 |
| 2.3.1 主观评价方法 | 第39页 |
| 2.3.2 客观评价方法 | 第39-41页 |
| 2.4 本章小结 | 第41-42页 |
| 第3章 基于时频相关性的噪声估计算法 | 第42-60页 |
| 3.1 引言 | 第42页 |
| 3.2 基于相关性的语音存在粗判决 | 第42-45页 |
| 3.2.1 外周听觉处理 | 第42-43页 |
| 3.2.2 相关性特征计算 | 第43页 |
| 3.2.3 语音存在粗判决 | 第43-45页 |
| 3.3 基于语音存在判决的参数优化 | 第45-48页 |
| 3.3.1 基于语音存在判决的功率谱平滑参数 | 第45页 |
| 3.3.2 基于语音存在判决的噪声谱平滑参数 | 第45-47页 |
| 3.3.3 基于语音存在判决的先验信噪比估计遗忘因子 | 第47-48页 |
| 3.4 改进的最小值搜索 | 第48-50页 |
| 3.5 实验仿真与分析 | 第50-58页 |
| 3.5.1 噪声估计实验 | 第50-53页 |
| 3.5.2 语音增强实验 | 第53-58页 |
| 3.6 本章小结 | 第58-60页 |
| 第4章 基于Bark域能量分布的噪声分类方法 | 第60-78页 |
| 4.1 引言 | 第60页 |
| 4.2 特征向量的构造 | 第60-68页 |
| 4.3 基于SVM的噪声分类 | 第68-70页 |
| 4.4 噪声分类实验 | 第70-76页 |
| 4.4.1 纯噪声的分类 | 第70-73页 |
| 4.4.2 含噪语音的实时噪声分类 | 第73-76页 |
| 4.5 本章小结 | 第76-78页 |
| 第5章 基于噪声分类的语音增强算法 | 第78-91页 |
| 5.1 引言 | 第78-79页 |
| 5.2 最优参数IMCRA | 第79-81页 |
| 5.3 含噪语音的噪声分类 | 第81-83页 |
| 5.4 基于噪声分类的语音增强 | 第83-84页 |
| 5.5 实验仿真与分析 | 第84-90页 |
| 5.5.1 含噪语音噪声分类实验 | 第84-85页 |
| 5.5.2 语音增强实验 | 第85-90页 |
| 5.6 本章小结 | 第90-91页 |
| 第6章 一种用于噪声估计的改进最小值搜索方法 | 第91-103页 |
| 6.1 引言 | 第91-92页 |
| 6.2 基于噪声分类的语音存在二值判决 | 第92-94页 |
| 6.3 基于语音存在判决的并行搜索方法 | 第94页 |
| 6.4 实验结果与分析 | 第94-102页 |
| 6.4.1 最小值搜索结果比较 | 第95-96页 |
| 6.4.2 噪声估计结果比较 | 第96-98页 |
| 6.4.3 语音增强结果比较 | 第98-102页 |
| 6.5 本章小结 | 第102-103页 |
| 第7章 总结与展望 | 第103-106页 |
| 7.1 总结 | 第103-104页 |
| 7.2 进一步的研究工作 | 第104-106页 |
| 参考文献 | 第106-116页 |
| 致谢 | 第116-117页 |
| 附录一 作者在攻读博士学位期间的成果 | 第117页 |