本文關(guān)鍵詞：基于K-SVD稀疏表示的語音增強(qiáng)算法研究，由筆耕文化傳播整理發(fā)布。

【摘要】：語音增強(qiáng)是盡可能的從帶噪語音中提取出純凈的語音信號(hào),以達(dá)到改善語音信號(hào)的質(zhì)量和可懂度的目的。從研究現(xiàn)狀和發(fā)展成果來看,語音增強(qiáng)算法中不僅存在很難估計(jì)噪聲功率的問題,而且在低信噪比和非平穩(wěn)噪聲環(huán)境下提高信噪比有限的難題。稀疏表示可以根據(jù)語音本身特性構(gòu)造原始語音,保留語音特性,很好地改善語音質(zhì)量。但是在K-SVD稀疏表示構(gòu)造的字典中,由于有很多噪聲也是稀疏的,因此在低信噪比下稀疏表示信噪比不高。為了解決上述問題,本文提出了一種自適應(yīng)強(qiáng)、效果好的K-SVD稀疏表示語音增強(qiáng)算法。通過利用信號(hào)子空間算法構(gòu)造噪聲字典,有效區(qū)分噪聲和語音的關(guān)系,再經(jīng)過K-SVD稀疏表示構(gòu)造的語音字典重構(gòu)語音。此算法可以解決低信噪比下噪聲淹沒語音信號(hào)的問題,大大提高信噪比。但是子空間在構(gòu)造噪聲字典時(shí),由于噪聲的隨機(jī)性和突變性使得很難抑制非平穩(wěn)噪聲,因此比抑制平穩(wěn)噪聲難度要大得多。因此本文又提出了深度神經(jīng)網(wǎng)絡(luò)來改善子空間算法,使構(gòu)造的噪聲字典具有強(qiáng)大功能。深度神經(jīng)網(wǎng)絡(luò)可以根據(jù)它的深度非線性結(jié)構(gòu)充分學(xué)習(xí)帶噪語音和純凈語音之間的復(fù)雜的非線性關(guān)系,使得在非平穩(wěn)噪聲環(huán)境下有效提高語音效果。通過大量實(shí)驗(yàn)仿真表明,本文提出的通過深度神經(jīng)網(wǎng)絡(luò)和信號(hào)子空間改進(jìn)的K-SVD稀疏表示語音增強(qiáng)算法明顯改善了增強(qiáng)后的語音信號(hào)質(zhì)量。
【關(guān)鍵詞】：語音增強(qiáng) 稀疏表示 K-SVD 信號(hào)子空間 深度神經(jīng)網(wǎng)絡(luò)
【學(xué)位授予單位】：太原理工大學(xué)
【學(xué)位級(jí)別】：碩士
【學(xué)位授予年份】：2016
【分類號(hào)】：TN912.35
【目錄】：

• 摘要3-4
• ABSTRACT4-8
• 第一章 緒論8-16
• 1.1 研究背景及意義8
• 1.2 語音增強(qiáng)研究的歷史和現(xiàn)狀8-10
• 1.3 語音感知特性和噪聲特性10-11
• 1.3.1 語音特性10-11
• 1.3.2 噪聲特性11
• 1.4 語音質(zhì)量評(píng)價(jià)11-14
• 1.4.1 主觀評(píng)價(jià)12-13
• 1.4.2 客觀評(píng)價(jià)13-14
• 1.5 SPSS軟件14-15
• 1.6 本文的主要工作15-16
• 第二章 稀疏表示概述16-26
• 2.1 引言16-17
• 2.2 字典訓(xùn)練方法17-20
• 2.2.1 DCT字典18-19
• 2.2.2 K-SVD字典19-20
• 2.3 稀疏表示算法20-23
• 2.3.1 基追蹤算法20-21
• 2.3.2 匹配追蹤算法21-22
• 2.3.3 正交匹配追蹤算法22-23
• 2.4 實(shí)驗(yàn)仿真23-25
• 2.4.1 實(shí)驗(yàn)1基于DCT和K-SVD下三種算法重構(gòu)對(duì)比23-24
• 2.4.2 實(shí)驗(yàn)2殘差 ? 對(duì)基于K-SVD語音增強(qiáng)的影響24-25
• 2.5 本章總結(jié)25-26
• 第三章 基于子空間改進(jìn)的K-SVD稀疏表示算法26-36
• 3.1 引言26-27
• 3.2 信號(hào)子空間算法27-28
• 3.3 利用信號(hào)子空間改進(jìn)的K-SVD語音增強(qiáng)算法28-35
• 3.3.1 子空間構(gòu)造噪聲字典29-31
• 3.3.2 實(shí)驗(yàn)仿真31-35
• 3.4 本章總結(jié)35-36
• 第四章 深度神經(jīng)網(wǎng)絡(luò)算法研究36-46
• 4.1 引言36-37
• 4.2 人工神經(jīng)網(wǎng)絡(luò)37-39
• 4.2.1 神經(jīng)元37-38
• 4.2.2 網(wǎng)絡(luò)拓?fù)浣Y(jié)構(gòu)38
• 4.2.3 BP算法38-39
• 4.3 深度神經(jīng)網(wǎng)絡(luò)39-45
• 4.3.1 深度神經(jīng)網(wǎng)絡(luò)的結(jié)構(gòu)39-40
• 4.3.2 深度學(xué)習(xí)的訓(xùn)練算法40-45
• 4.4 本章總結(jié)45-46
• 第五章 基于DNN改進(jìn)的語音增強(qiáng)算法46-54
• 5.1 引言46
• 5.2 基于DNN改進(jìn)的語音增強(qiáng)算法46-49
• 5.2.1 基于DNN的信號(hào)子空間語音增強(qiáng)算法46-48
• 5.2.2 基于DNN的子空間改進(jìn)K-SVD稀疏表示語音增強(qiáng)算法48-49
• 5.3 實(shí)驗(yàn)仿真49-52
• 5.3.1 基于DNN的信號(hào)子空間語音增強(qiáng)算法實(shí)驗(yàn)仿真49-51
• 5.3.2 基于DNN的子空間改進(jìn)K-SVD稀疏表示語音增強(qiáng)算法實(shí)驗(yàn)仿真51-52
• 5.4 本章總結(jié)52-54
• 第六章 總結(jié)與展望54-56
• 6.1 工作總結(jié)54
• 6.2 工作展望54-56
• 參考文獻(xiàn)56-62
• 致謝62-64
• 攻讀碩士學(xué)位期間發(fā)表的論文64

【相似文獻(xiàn)】

中國(guó)期刊全文數(shù)據(jù)庫 前10條

1 李映;張艷寧;許星;;基于信號(hào)稀疏表示的形態(tài)成分分析:進(jìn)展和展望[J];電子學(xué)報(bào);2009年01期

2 趙瑞珍;王飛;羅阿理;張彥霞;;基于稀疏表示的譜線自動(dòng)提取方法[J];光譜學(xué)與光譜分析;2009年07期

3 楊蜀秦;寧紀(jì)鋒;何東健;;基于稀疏表示的大米品種識(shí)別[J];農(nóng)業(yè)工程學(xué)報(bào);2011年03期

4 史加榮;楊威;魏宗田;;基于非負(fù)稀疏表示的人臉識(shí)別[J];計(jì)算機(jī)工程與設(shè)計(jì);2012年05期

5 高志榮;熊承義;笪邦友;;改進(jìn)的基于殘差加權(quán)的稀疏表示人臉識(shí)別[J];中南民族大學(xué)學(xué)報(bào)(自然科學(xué)版);2012年03期

6 朱杰;楊萬扣;唐振民;;基于字典學(xué)習(xí)的核稀疏表示人臉識(shí)別方法[J];模式識(shí)別與人工智能;2012年05期

7 耿耀君;張軍英;袁細(xì)國(guó);;一種基于稀疏表示系數(shù)的特征相關(guān)性測(cè)度[J];模式識(shí)別與人工智能;2013年01期

8 張疆勤;廖海斌;李原;;基于因子分析與稀疏表示的多姿態(tài)人臉識(shí)別[J];計(jì)算機(jī)工程與應(yīng)用;2013年05期

9 李正周;王會(huì)改;劉梅;丁浩;金鋼;;基于形態(tài)成分稀疏表示的紅外小弱目標(biāo)檢測(cè)[J];彈箭與制導(dǎo)學(xué)報(bào);2013年04期

10 胡正平;趙淑歡;李靜;;基于塊稀疏遞推殘差分析的稀疏表示遮擋魯棒識(shí)別算法研究[J];模式識(shí)別與人工智能;2014年01期

中國(guó)重要會(huì)議論文全文數(shù)據(jù)庫 前3條

1 何愛香;劉玉春;魏廣芬;;基于稀疏表示的煤矸界面識(shí)別研究[A];虛擬運(yùn)營(yíng)與云計(jì)算——第十八屆全國(guó)青年通信學(xué)術(shù)年會(huì)論文集（上冊(cè)）[C];2013年

2 樊亞翔;孫浩;周石琳;鄒煥新;;基于元樣本稀疏表示的多視角目標(biāo)識(shí)別[A];2013年中國(guó)智能自動(dòng)化學(xué)術(shù)會(huì)議論文集（第五分冊(cè)）[C];2013年

3 葛鳳翔;任歲玲;郭鑫;郭良浩;孫波;;微弱信號(hào)處理及其研究進(jìn)展[A];中國(guó)聲學(xué)學(xué)會(huì)水聲學(xué)分會(huì)2013年全國(guó)水聲學(xué)學(xué)術(shù)會(huì)議論文集[C];2013年

中國(guó)博士學(xué)位論文全文數(shù)據(jù)庫 前10條

1 李進(jìn)明;基于稀疏表示的圖像超分辨率重建方法研究[D];重慶大學(xué);2015年

2 王亞寧;基于信號(hào)稀疏表示的電機(jī)故障診斷研究[D];河北工業(yè)大學(xué);2014年

3 姚明海;視頻異常事件檢測(cè)與認(rèn)證方法研究[D];東北師范大學(xué);2015年

4 黃國(guó)華;蛋白質(zhì)翻譯后修飾位點(diǎn)與藥物適應(yīng)癥預(yù)測(cè)方法研究[D];上海大學(xué);2015年

5 王瑾;基于稀疏表示的數(shù)據(jù)收集、復(fù)原與壓縮研究[D];北京工業(yè)大學(xué);2015年

6 王文卿;基于融合框架與稀疏表示的遙感影像銳化[D];西安電子科技大學(xué);2015年

7 解虎;高維小樣本陣列自適應(yīng)信號(hào)處理方法研究[D];西安電子科技大學(xué);2015年

8 秦振濤;基于稀疏表示及字典學(xué)習(xí)遙感圖像處理關(guān)鍵技術(shù)研究[D];成都理工大學(xué);2015年

9 薛明;基于稀疏表示的在線目標(biāo)跟蹤研究[D];上海交通大學(xué);2014年

10 孫樂;空譜聯(lián)合先驗(yàn)的高光譜圖像解混與分類方法[D];南京理工大學(xué);2014年

中國(guó)碩士學(xué)位論文全文數(shù)據(jù)庫 前10條

1 王道文;基于稀疏表示的目標(biāo)跟蹤算法研究[D];華南理工大學(xué);2015年

2 李哲;基于稀疏表示和LS-SVM的心電信號(hào)分類[D];河北大學(xué);2015年

3 孫雪青;Shearlet變換和稀疏表示相結(jié)合的甲狀腺結(jié)節(jié)圖像融合[D];河北大學(xué);2015年

4 吳麗璇;基于稀疏表示的微聚焦X射線圖像去噪方法[D];華南理工大學(xué);2015年

5 趙孝磊;基于圖像分塊稀疏表示的人臉識(shí)別算法研究[D];南京信息工程大學(xué);2015年

6 黃志明;基于辨別式稀疏字典學(xué)習(xí)的視覺追蹤算法研究[D];華南理工大學(xué);2015年

7 張鈴華;非約束環(huán)境下的稀疏表示人臉識(shí)別算法研究[D];南京信息工程大學(xué);2015年

8 賀妍斐;基于稀疏表示與自適應(yīng)倒易晶胞的遙感圖像復(fù)原方法研究[D];南京信息工程大學(xué);2015年

9 楊爍;電能質(zhì)量擾動(dòng)信號(hào)的稀疏表示/壓縮采樣研究[D];西南交通大學(xué);2015年

10 應(yīng)艷麗;基于低秩稀疏表示的目標(biāo)跟蹤算法研究[D];西南交通大學(xué);2015年

  本文關(guān)鍵詞：基于K-SVD稀疏表示的語音增強(qiáng)算法研究，由筆耕文化傳播整理發(fā)布。

，

本文編號(hào)：438180