本文關鍵詞：基于聯(lián)合字典學習和稀疏表示的語音降噪算法研究

  更多相關文章： 語音降噪 字典學習 稀疏表示 有監(jiān)督語音降噪 半監(jiān)督語音降噪 區(qū)分性聯(lián)合字典學習 互補聯(lián)合字典學習和稀疏表示 稀疏非負矩陣分解

【摘要】：語音是人類最便捷和自然的交流工具之 ,一方面它消除了人與人之間交流的距離隔閡,另一方面它也提高了人與機器之間交互的效率。然而,現實環(huán)境中無處不在的噪聲也不同程度地影響著語音交流的質量,研究有效的語音降噪技術就顯得尤為重要,也是近幾十年來學者們研究的熱點。語音降噪是指在不顯著丟失語音成分的前提下盡可能地削弱噪聲,以實現提高語音的質量和可懂度這兩個目標。而現實環(huán)境中的非平穩(wěn)噪聲及與人類語音類似的噪聲則極大地提高了語音降噪的難度,傳統(tǒng)的語音降噪算法此時往往不再適用。近年來,隨著字典學習和稀疏表示理論研究的不斷深入,給語音降噪問題提供了一種有效的解決途徑。分別提取最能表征干凈語音和噪聲的特征并構造成字典,從而通過帶噪語音在字典上的稀疏表示恢復出干凈語音。不同于現有的基于字典學習和稀疏表示的語音降噪算法,本文針對有監(jiān)督和半監(jiān)督兩種情況下的單通道語音降噪任務,進一步地挖掘信號之間存在的區(qū)別與聯(lián)系信息對于字典學習和稀疏表示所起的作用。以這些信號間的關系作為主線,下面介紹本論文的主要工作和創(chuàng)新點。首先,提出了Fisher準則約束下基于區(qū)分性聯(lián)合字典學習的有監(jiān)督語音降噪算法。在字典學習階段強調干凈語音與噪聲之間的區(qū)別關系,一方面添加字典區(qū)分性保真項,使語音字典和噪聲字典之間的相關性最小；另一方面根據稀疏表示系數分布的差異性添加Fisher約束項,使干凈語音和噪聲各自的稀疏表示系數類內距離更小,類間距離更大,增大了稀疏表示系數的區(qū)分性。其次,提出了基于互補聯(lián)合字典學習和稀疏表示的有監(jiān)督語音降噪算法。在字典學習階段強調帶噪語音與干凈語音、帶噪語音和噪聲之間的聯(lián)系關系,用以約束聯(lián)合字典的學習,使得字典原子級上映射關系的線性組合能表征信號間的聯(lián)系關系,緩解源混淆和源失真問題。在降噪階段中強調干凈語音和噪聲在稀疏表示效果上的互補關系,考慮信號結構特性與輸入信噪比因素設置了兩路稀疏表示的權重系數。最后,提出了基于區(qū)分性稀疏約束下非負矩陣分解的半監(jiān)督語音降噪算法。在降噪階段利用帶噪語音學習噪聲字典的過程中強調了噪聲與干凈語音的區(qū)別關系,添加噪聲字典與已知語音字典的區(qū)分性約束項,并給出了相應的字典與稀疏表示系數更新方法。
【關鍵詞】：語音降噪 字典學習 稀疏表示 有監(jiān)督語音降噪 半監(jiān)督語音降噪 區(qū)分性聯(lián)合字典學習 互補聯(lián)合字典學習和稀疏表示 稀疏非負矩陣分解
【學位授予單位】：中國科學技術大學
【學位級別】：碩士
【學位授予年份】：2016
【分類號】：TN912.3
【目錄】：

• 摘要5-6
• ABSTRACT6-11
• 第一章 緒論11-17
• 1.1 研究背景及意義11-12
• 1.2 研究歷史與現狀12-15
• 1.3 本文的主要研究內容與基本結構15-17
• 第二章 基于字典學習和稀疏表示的單通道語音降噪算法17-39
• 2.1 稀疏表示方法17-22
• 2.1.1 模型及求解方法17-19
• 2.1.2 LARC方法19-22
• 2.2 自適應字典學習方法22-29
• 2.2.1 K-SVD字典學習23-25
• 2.2.2 近似K-SVD算法25-26
• 2.2.3 非負矩陣分解26-29
• 2.3 基于生成性字典學習的單通道語音降噪算法29-33
• 2.3.1 信號模型29-30
• 2.3.2 訓練和降噪階段30-32
• 2.3.3 關于相關性閩值的討論32-33
• 2.4 基于非負矩陣分解的單通道語音降噪算法33-38
• 2.4.1 基于非負矩陣分解的有監(jiān)督語音降噪33-35
• 2.4.2 基于非負矩陣分解的半監(jiān)督語音降噪35-38
• 2.5 本章小結38-39
• 第三章 Fisher準則約束下基于區(qū)分性聯(lián)合字典學習的有監(jiān)督語音降噪算法39-49
• 3.1 引言39
• 3.2 區(qū)分性字典學習39-42
• 3.2.1 直接驅使字典具有區(qū)分性的方法39-40
• 3.2.2 使稀疏表示系數具有區(qū)分性的方法40-42
• 3.3 Fisher準則約束下基于區(qū)分性聯(lián)合字典學習的有監(jiān)督語音降噪算法42-45
• 3.3.1 Fisher準則約束下的區(qū)分性聯(lián)合字典學習42-44
• 3.3.2 降噪過程44-45
• 3.4 算法仿真分析45-48
• 3.4.1 實驗相關數據說明45-46
• 3.4.2 區(qū)分性約束有效性驗證46-47
• 3.4.3 降噪性能對比47-48
• 3.5 本章小結48-49
• 第四章 基于互補聯(lián)合字典學習和稀疏表示的有監(jiān)督語音降噪算法49-65
• 4.1 引言49
• 4.2 基于聯(lián)合稀疏表示的特征空間降噪方法49-51
• 4.3 基于互補聯(lián)合字典學習和稀疏表示的有監(jiān)督語音降噪算法51-58
• 4.3.1 互補聯(lián)合字典學習和稀疏表示結構及訓練過程51-53
• 4.3.2 降噪過程53-55
• 4.3.3 權重系數設置55-58
• 4.4 算法仿真分析58-64
• 4.4.1 實驗相關數據說明58-59
• 4.4.2 權重系數設置規(guī)則的驗證59-62
• 4.4.3 降噪性能對比62-64
• 4.5 本章小結64-65
• 第五章 基于區(qū)分性稀疏約束下非負矩陣分解的半監(jiān)督語音降噪算法65-75
• 5.1 引言65-66
• 5.2 基于區(qū)分性稀疏約束下非負矩陣分解的半監(jiān)督語音降嗓算法66-70
• 5.2.1 區(qū)分性稀疏約束下的非負矩陣分解結構及訓練過程66-68
• 5.2.2 降噪階段68-70
• 5.3 算法仿真分析70-72
• 5.3.1 實驗相關數據說明70
• 5.3.2 字典正交約束項有效性驗證70-71
• 5.3.3 降噪性能對比71-72
• 5.4 本章小結72-75
• 第六章 總結與展望75-77
• 6.1 本文的主要工作75-76
• 6.2 進一步的研究方向76-77
• 參考文獻77-85
• 附錄 區(qū)分性稀疏約束下非負矩陣分解算法求解過程推導85-91
• 致謝91-93
• 攻讀碩士學位期間的研究成果93

【相似文獻】

中國期刊全文數據庫 前10條

1 李映;張艷寧;許星;;基于信號稀疏表示的形態(tài)成分分析:進展和展望[J];電子學報;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提取方法[J];光譜學與光譜分析;2009年07期

3 楊蜀秦;寧紀鋒;何東健;;基于稀疏表示的大米品種識別[J];農業(yè)工程學報;2011年03期

4 史加榮;楊威;魏宗田;;基于非負稀疏表示的人臉識別[J];計算機工程與設計;2012年05期

5 高志榮;熊承義;笪邦友;;改進的基于殘差加權的稀疏表示人臉識別[J];中南民族大學學報(自然科學版);2012年03期

6 朱杰;楊萬扣;唐振民;;基于字典學習的核稀疏表示人臉識別方法[J];模式識別與人工智能;2012年05期

7 耿耀君;張軍英;袁細國;;一種基于稀疏表示系數的特征相關性測度[J];模式識別與人工智能;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)人臉識別[J];計算機工程與應用;2013年05期

9 李正周;王會改;劉梅;丁浩;金鋼;;基于形態(tài)成分稀疏表示的紅外小弱目標檢測[J];彈箭與制導學報;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別算法研究[J];模式識別與人工智能;2014年01期

中國重要會議論文全文數據庫 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別研究[A];虛擬運營與云計算——第十八屆全國青年通信學術年會論文集（上冊）[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識別[A];2013年中國智能自動化學術會議論文集（第五分冊）[C];2013年

3 葛鳳翔;任歲玲;郭鑫;郭良浩;孫波;;微弱信號處理及其研究進展[A];中國聲學學會水聲學分會2013年全國水聲學學術會議論文集[C];2013年

中國博士學位論文全文數據庫 前10條

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

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

3 姚明海;視頻異常事件檢測與認證方法研究[D];東北師范大學;2015年

4 黃國華;蛋白質翻譯后修飾位點與藥物適應癥預測方法研究[D];上海大學;2015年

5 王瑾;基于稀疏表示的數據收集、復原與壓縮研究[D];北京工業(yè)大學;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;2015年

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

8 秦振濤;基于稀疏表示及字典學習遙感圖像處理關鍵技術研究[D];成都理工大學;2015年

9 薛明;基于稀疏表示的在線目標跟蹤研究[D];上海交通大學;2014年

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

中國碩士學位論文全文數據庫 前10條

1 王道文;基于稀疏表示的目標跟蹤算法研究[D];華南理工大學;2015年

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

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

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

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

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

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

9 楊爍;電能質量擾動信號的稀疏表示/壓縮采樣研究[D];西南交通大學;2015年

10 應艷麗;基于低秩稀疏表示的目標跟蹤算法研究[D];西南交通大學;2015年

，

本文編號：868670