本文關(guān)鍵詞：基于聯(lián)合字典學(xué)習(xí)和稀疏表示的語(yǔ)音降噪算法研究

  更多相關(guān)文章： 語(yǔ)音降噪 字典學(xué)習(xí) 稀疏表示 有監(jiān)督語(yǔ)音降噪 半監(jiān)督語(yǔ)音降噪 區(qū)分性聯(lián)合字典學(xué)習(xí) 互補(bǔ)聯(lián)合字典學(xué)習(xí)和稀疏表示 稀疏非負(fù)矩陣分解

【摘要】：語(yǔ)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(jī)器之間交互的效率。然而,現(xiàn)實(shí)環(huán)境中無處不在的噪聲也不同程度地影響著語(yǔ)音交流的質(zhì)量,研究有效的語(yǔ)音降噪技術(shù)就顯得尤為重要,也是近幾十年來學(xué)者們研究的熱點(diǎn)。語(yǔ)音降噪是指在不顯著丟失語(yǔ)音成分的前提下盡可能地削弱噪聲,以實(shí)現(xiàn)提高語(yǔ)音的質(zhì)量和可懂度這兩個(gè)目標(biāo)。而現(xiàn)實(shí)環(huán)境中的非平穩(wěn)噪聲及與人類語(yǔ)音類似的噪聲則極大地提高了語(yǔ)音降噪的難度,傳統(tǒng)的語(yǔ)音降噪算法此時(shí)往往不再適用。近年來,隨著字典學(xué)習(xí)和稀疏表示理論研究的不斷深入,給語(yǔ)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(yǔ)音和噪聲的特征并構(gòu)造成字典,從而通過帶噪語(yǔ)音在字典上的稀疏表示恢復(fù)出干凈語(yǔ)音。不同于現(xiàn)有的基于字典學(xué)習(xí)和稀疏表示的語(yǔ)音降噪算法,本文針對(duì)有監(jiān)督和半監(jiān)督兩種情況下的單通道語(yǔ)音降噪任務(wù),進(jìn)一步地挖掘信號(hào)之間存在的區(qū)別與聯(lián)系信息對(duì)于字典學(xué)習(xí)和稀疏表示所起的作用。以這些信號(hào)間的關(guān)系作為主線,下面介紹本論文的主要工作和創(chuàng)新點(diǎn)。首先,提出了Fisher準(zhǔn)則約束下基于區(qū)分性聯(lián)合字典學(xué)習(xí)的有監(jiān)督語(yǔ)音降噪算法。在字典學(xué)習(xí)階段強(qiáng)調(diào)干凈語(yǔ)音與噪聲之間的區(qū)別關(guān)系,一方面添加字典區(qū)分性保真項(xiàng),使語(yǔ)音字典和噪聲字典之間的相關(guān)性最�。涣硪环矫娓鶕�(jù)稀疏表示系數(shù)分布的差異性添加Fisher約束項(xiàng),使干凈語(yǔ)音和噪聲各自的稀疏表示系數(shù)類內(nèi)距離更小,類間距離更大,增大了稀疏表示系數(shù)的區(qū)分性。其次,提出了基于互補(bǔ)聯(lián)合字典學(xué)習(xí)和稀疏表示的有監(jiān)督語(yǔ)音降噪算法。在字典學(xué)習(xí)階段強(qiáng)調(diào)帶噪語(yǔ)音與干凈語(yǔ)音、帶噪語(yǔ)音和噪聲之間的聯(lián)系關(guān)系,用以約束聯(lián)合字典的學(xué)習(xí),使得字典原子級(jí)上映射關(guān)系的線性組合能表征信號(hào)間的聯(lián)系關(guān)系,緩解源混淆和源失真問題。在降噪階段中強(qiáng)調(diào)干凈語(yǔ)音和噪聲在稀疏表示效果上的互補(bǔ)關(guān)系,考慮信號(hào)結(jié)構(gòu)特性與輸入信噪比因素設(shè)置了兩路稀疏表示的權(quán)重系數(shù)。最后,提出了基于區(qū)分性稀疏約束下非負(fù)矩陣分解的半監(jiān)督語(yǔ)音降噪算法。在降噪階段利用帶噪語(yǔ)音學(xué)習(xí)噪聲字典的過程中強(qiáng)調(diào)了噪聲與干凈語(yǔ)音的區(qū)別關(guān)系,添加噪聲字典與已知語(yǔ)音字典的區(qū)分性約束項(xiàng),并給出了相應(yīng)的字典與稀疏表示系數(shù)更新方法。
【關(guān)鍵詞】：語(yǔ)音降噪 字典學(xué)習(xí) 稀疏表示 有監(jiān)督語(yǔ)音降噪 半監(jiān)督語(yǔ)音降噪 區(qū)分性聯(lián)合字典學(xué)習(xí) 互補(bǔ)聯(lián)合字典學(xué)習(xí)和稀疏表示 稀疏非負(fù)矩陣分解
【學(xué)位授予單位】：中國(guó)科學(xué)技術(shù)大學(xué)
【學(xué)位級(jí)別】：碩士
【學(xué)位授予年份】：2016
【分類號(hào)】：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(xiàn)狀12-15
• 1.3 本文的主要研究?jī)?nèi)容與基本結(jié)構(gòu)15-17
• 第二章 基于字典學(xué)習(xí)和稀疏表示的單通道語(yǔ)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(yīng)字典學(xué)習(xí)方法22-29
• 2.2.1 K-SVD字典學(xué)習(xí)23-25
• 2.2.2 近似K-SVD算法25-26
• 2.2.3 非負(fù)矩陣分解26-29
• 2.3 基于生成性字典學(xué)習(xí)的單通道語(yǔ)音降噪算法29-33
• 2.3.1 信號(hào)模型29-30
• 2.3.2 訓(xùn)練和降噪階段30-32
• 2.3.3 關(guān)于相關(guān)性閩值的討論32-33
• 2.4 基于非負(fù)矩陣分解的單通道語(yǔ)音降噪算法33-38
• 2.4.1 基于非負(fù)矩陣分解的有監(jiān)督語(yǔ)音降噪33-35
• 2.4.2 基于非負(fù)矩陣分解的半監(jiān)督語(yǔ)音降噪35-38
• 2.5 本章小結(jié)38-39
• 第三章 Fisher準(zhǔn)則約束下基于區(qū)分性聯(lián)合字典學(xué)習(xí)的有監(jiān)督語(yǔ)音降噪算法39-49
• 3.1 引言39
• 3.2 區(qū)分性字典學(xué)習(xí)39-42
• 3.2.1 直接驅(qū)使字典具有區(qū)分性的方法39-40
• 3.2.2 使稀疏表示系數(shù)具有區(qū)分性的方法40-42
• 3.3 Fisher準(zhǔn)則約束下基于區(qū)分性聯(lián)合字典學(xué)習(xí)的有監(jiān)督語(yǔ)音降噪算法42-45
• 3.3.1 Fisher準(zhǔn)則約束下的區(qū)分性聯(lián)合字典學(xué)習(xí)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(shí)驗(yàn)相關(guān)數(shù)據(jù)說明45-46
• 3.4.2 區(qū)分性約束有效性驗(yàn)證46-47
• 3.4.3 降噪性能對(duì)比47-48
• 3.5 本章小結(jié)48-49
• 第四章 基于互補(bǔ)聯(lián)合字典學(xué)習(xí)和稀疏表示的有監(jiān)督語(yǔ)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(bǔ)聯(lián)合字典學(xué)習(xí)和稀疏表示的有監(jiān)督語(yǔ)音降噪算法51-58
• 4.3.1 互補(bǔ)聯(lián)合字典學(xué)習(xí)和稀疏表示結(jié)構(gòu)及訓(xùn)練過程51-53
• 4.3.2 降噪過程53-55
• 4.3.3 權(quán)重系數(shù)設(shè)置55-58
• 4.4 算法仿真分析58-64
• 4.4.1 實(shí)驗(yàn)相關(guān)數(shù)據(jù)說明58-59
• 4.4.2 權(quán)重系數(shù)設(shè)置規(guī)則的驗(yàn)證59-62
• 4.4.3 降噪性能對(duì)比62-64
• 4.5 本章小結(jié)64-65
• 第五章 基于區(qū)分性稀疏約束下非負(fù)矩陣分解的半監(jiān)督語(yǔ)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(fù)矩陣分解的半監(jiān)督語(yǔ)音降嗓算法66-70
• 5.2.1 區(qū)分性稀疏約束下的非負(fù)矩陣分解結(jié)構(gòu)及訓(xùn)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(shí)驗(yàn)相關(guān)數(shù)據(jù)說明70
• 5.3.2 字典正交約束項(xiàng)有效性驗(yàn)證70-71
• 5.3.3 降噪性能對(duì)比71-72
• 5.4 本章小結(jié)72-75
• 第六章 總結(jié)與展望75-77
• 6.1 本文的主要工作75-76
• 6.2 進(jìn)一步的研究方向76-77
• 參考文獻(xiàn)77-85
• 附錄 區(qū)分性稀疏約束下非負(fù)矩陣分解算法求解過程推導(dǎo)85-91
• 致謝91-93
• 攻讀碩士學(xué)位期間的研究成果93

【相似文獻(xiàn)】

中國(guó)期刊全文數(shù)據(jù)庫(kù) 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(kù) 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(kù) 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(kù) 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

，

本文編號(hào)：868670