近幾年,人工智能快速發(fā)展并滲入到各個領(lǐng)域,相應(yīng)的人工智能產(chǎn)品也不斷涌現(xiàn),比如家用機器人、無人駕駛汽車等,人機交互作為其中關(guān)鍵技術(shù)備受關(guān)注。語音是人們?nèi)粘＝涣鞯闹饕绞?語音識別技術(shù)已經(jīng)取得了很大進步,但在實際環(huán)境中語音的質(zhì)量往往受到周圍環(huán)境噪聲的影響,對機器識別產(chǎn)生干擾,導(dǎo)致識別率降低,無法正確識別指令。因此將純凈語音與噪聲分離顯得尤為重要。隨著深度學(xué)習(xí)技術(shù)不斷發(fā)展、計算機運算能力不斷提升,使得DNN模型廣泛用于圖像、語音信號處理、自然語言處理等領(lǐng)域�；贒NN的語音分離取得了較好的分離效果,但相比廣泛用于實驗研究的DNN語音分離來說,在實際應(yīng)用方面的工作相對要少一些,特別是在低功耗、工業(yè)用途方面。深度學(xué)習(xí)處理器主要有CPU、GPU、DSP、FPGA等,DSP相比于其他幾種處理器有更好的功耗控制和穩(wěn)定性。隨著數(shù)字信號處理技術(shù)快速發(fā)展,DSP芯片性能不斷提升,為語音分離在DSP上的實現(xiàn)提供了理論與技術(shù)上的支持。本實驗的主要任務(wù)是在實際環(huán)境中對語音和噪聲進行實時分離。將DNN模型部署在DSP硬件平臺上,DSP通過麥克風(fēng)實時接收語音信號并讓信號通過模型從而分離噪聲。實驗總體分為以下兩個步驟:...

【文章頁數(shù)】：60 頁

【學(xué)位級別】：碩士

【文章目錄】：
摘要
ABSTRACT
第一章 引言
    1.1 研究背景及意義
    1.2 歷史發(fā)展與研究現(xiàn)狀
    1.3 論文的主要內(nèi)容
第二章 語音分離理論基礎(chǔ)
    2.1 語音基礎(chǔ)
        2.1.1 語音的產(chǎn)生
        2.1.2 語音特性
        2.1.3 噪聲特性
        2.1.4 掩蔽效應(yīng)
    2.2 評價指標(biāo)
        2.2.1 主觀評價
        2.2.2 客觀評價
    2.3 常見語音分離方法介紹
        2.3.1 譜減法
        2.3.2 維納濾波法
        2.3.3 基于HMM的語音分離算法
    2.4 本章小結(jié)
第三章 基于DNN的語音分離
    3.1 深度神經(jīng)網(wǎng)絡(luò)
        3.1.1 深度神經(jīng)網(wǎng)絡(luò)概念
        3.1.2 深度神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)
    3.2 語音分離
        3.2.1 語音分離的系統(tǒng)結(jié)構(gòu)
        3.2.2 時頻分解
        3.2.3 特征提取
        3.2.4 模型訓(xùn)練
        3.2.5 波形合成
    3.3 本章小結(jié)
第四章 基于DSP的系統(tǒng)實現(xiàn)
    4.1 DSP硬件平臺概述
        4.1.1 DSP簡介
        4.1.2 語音分離系統(tǒng)設(shè)計流程
        4.1.3 硬件組成
        4.1.4 DSP與音頻芯片的連接
    4.2 DSP軟件系統(tǒng)設(shè)計
        4.2.1 開發(fā)環(huán)境簡介
        4.2.2 存儲空間分配
        4.2.3 音頻芯片初始化
        4.2.4 McBSP初始化與FIFO緩存
        4.2.5 算法實現(xiàn)
    4.3 本章小結(jié)
第五章 實驗結(jié)果及分析
    5.1 模型測試結(jié)果分析
        5.1.1 數(shù)據(jù)集描述
        5.1.2 實驗結(jié)果分析
    5.2 硬件平臺測試結(jié)果分析
        5.2.1 測試平臺
        5.2.2 測試方法
    5.3 本章小結(jié)
第六章 總結(jié)與期望
參考文獻
附錄1 實驗平臺
附錄2 主要實現(xiàn)代碼
致謝



本文編號：3979212