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

【摘要】：語音增強是盡可能的從帶噪語音中提取出純凈的語音信號,以達到改善語音信號的質量和可懂度的目的。從研究現(xiàn)狀和發(fā)展成果來看,語音增強算法中不僅存在很難估計噪聲功率的問題,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)語音本身特性構造原始語音,保留語音特性,很好地改善語音質量。但是在K-SVD稀疏表示構造的字典中,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強、效果好的K-SVD稀疏表示語音增強算法。通過利用信號子空間算法構造噪聲字典,有效區(qū)分噪聲和語音的關系,再經過K-SVD稀疏表示構造的語音字典重構語音。此算法可以解決低信噪比下噪聲淹沒語音信號的問題,大大提高信噪比。但是子空間在構造噪聲字典時,由于噪聲的隨機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網絡來改善子空間算法,使構造的噪聲字典具有強大功能。深度神經網絡可以根據(jù)它的深度非線性結構充分學習帶噪語音和純凈語音之間的復雜的非線性關系,使得在非平穩(wěn)噪聲環(huán)境下有效提高語音效果。通過大量實驗仿真表明,本文提出的通過深度神經網絡和信號子空間改進的K-SVD稀疏表示語音增強算法明顯改善了增強后的語音信號質量。
【關鍵詞】：語音增強 稀疏表示 K-SVD 信號子空間 深度神經網絡
【學位授予單位】：太原理工大學
【學位級別】：碩士
【學位授予年份】：2016
【分類號】：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 語音質量評價11-14
• 1.4.1 主觀評價12-13
• 1.4.2 客觀評價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 實驗仿真23-25
• 2.4.1 實驗1基于DCT和K-SVD下三種算法重構對比23-24
• 2.4.2 實驗2殘差 ? 對基于K-SVD語音增強的影響24-25
• 2.5 本章總結25-26
• 第三章 基于子空間改進的K-SVD稀疏表示算法26-36
• 3.1 引言26-27
• 3.2 信號子空間算法27-28
• 3.3 利用信號子空間改進的K-SVD語音增強算法28-35
• 3.3.1 子空間構造噪聲字典29-31
• 3.3.2 實驗仿真31-35
• 3.4 本章總結35-36
• 第四章 深度神經網絡算法研究36-46
• 4.1 引言36-37
• 4.2 人工神經網絡37-39
• 4.2.1 神經元37-38
• 4.2.2 網絡拓撲結構38
• 4.2.3 BP算法38-39
• 4.3 深度神經網絡39-45
• 4.3.1 深度神經網絡的結構39-40
• 4.3.2 深度學習的訓練算法40-45
• 4.4 本章總結45-46
• 第五章 基于DNN改進的語音增強算法46-54
• 5.1 引言46
• 5.2 基于DNN改進的語音增強算法46-49
• 5.2.1 基于DNN的信號子空間語音增強算法46-48
• 5.2.2 基于DNN的子空間改進K-SVD稀疏表示語音增強算法48-49
• 5.3 實驗仿真49-52
• 5.3.1 基于DNN的信號子空間語音增強算法實驗仿真49-51
• 5.3.2 基于DNN的子空間改進K-SVD稀疏表示語音增強算法實驗仿真51-52
• 5.4 本章總結52-54
• 第六章 總結與展望54-56
• 6.1 工作總結54
• 6.2 工作展望54-56
• 參考文獻56-62
• 致謝62-64
• 攻讀碩士學位期間發(fā)表的論文64

【相似文獻】

中國期刊全文數(shù)據(jù)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(shù)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(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(shù)據(jù)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(shù)據(jù)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(shù)據(jù)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

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

，

本文編號：438180