基于K-SVD稀疏表示的语音增强算法研究

发布时间：2017-06-10 10:34

  本文关键词：基于K-SVD稀疏表示的语音增强算法研究，由笔耕文化传播整理发布。

【摘要】：语音增强是尽可能的从带噪语音中提取出纯净的语音信号,以达到改善语音信号的质量和可懂度的目的。从研究现状和发展成果来看,语音增强算法中不仅存在很难估计噪声功率的问题,而且在低信噪比和非平稳噪声环境下提高信噪比有限的难题。稀疏表示可以根据语音本身特性构造原始语音,保留语音特性,很好地改善语音质量。但是在K-SVD稀疏表示构造的字典中,由于有很多噪声也是稀疏的,因此在低信噪比下稀疏表示信噪比不高。为了解决上述问题,本文提出了一种自适应强、效果好的K-SVD稀疏表示语音增强算法。通过利用信号子空间算法构造噪声字典,有效区分噪声和语音的关系,再经过K-SVD稀疏表示构造的语音字典重构语音。此算法可以解决低信噪比下噪声淹没语音信号的问题,大大提高信噪比。但是子空间在构造噪声字典时,由于噪声的随机性和突变性使得很难抑制非平稳噪声,因此比抑制平稳噪声难度要大得多。因此本文又提出了深度神经网络来改善子空间算法,使构造的噪声字典具有强大功能。深度神经网络可以根据它的深度非线性结构充分学习带噪语音和纯净语音之间的复杂的非线性关系,使得在非平稳噪声环境下有效提高语音效果。通过大量实验仿真表明,本文提出的通过深度神经网络和信号子空间改进的K-SVD稀疏表示语音增强算法明显改善了增强后的语音信号质量。
【关键词】：语音增强 稀疏表示 K-SVD 信号子空间 深度神经网络
【学位授予单位】：太原理工大学
【学位级别】：硕士
【学位授予年份】：2016
【分类号】：TN912.35
【目录】：

• 摘要3-4
• ABSTRACT4-8
• 第一章 绪论8-16
• 1.1 研究背景及意义8
• 1.2 语音增强研究的历史和现状8-10
• 1.3 语音感知特性和噪声特性10-11
• 1.3.1 语音特性10-11
• 1.3.2 噪声特性11
• 1.4 语音质量评价11-14
• 1.4.1 主观评价12-13
• 1.4.2 客观评价13-14
• 1.5 SPSS软件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 字典训练方法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 基追踪算法20-21
• 2.3.2 匹配追踪算法21-22
• 2.3.3 正交匹配追踪算法22-23
• 2.4 实验仿真23-25
• 2.4.1 实验1基于DCT和K-SVD下三种算法重构对比23-24
• 2.4.2 实验2残差 ? 对基于K-SVD语音增强的影响24-25
• 2.5 本章总结25-26
• 第三章 基于子空间改进的K-SVD稀疏表示算法26-36
• 3.1 引言26-27
• 3.2 信号子空间算法27-28
• 3.3 利用信号子空间改进的K-SVD语音增强算法28-35
• 3.3.1 子空间构造噪声字典29-31
• 3.3.2 实验仿真31-35
• 3.4 本章总结35-36
• 第四章 深度神经网络算法研究36-46
• 4.1 引言36-37
• 4.2 人工神经网络37-39
• 4.2.1 神经元37-38
• 4.2.2 网络拓扑结构38
• 4.2.3 BP算法38-39
• 4.3 深度神经网络39-45
• 4.3.1 深度神经网络的结构39-40
• 4.3.2 深度学习的训练算法40-45
• 4.4 本章总结45-46
• 第五章 基于DNN改进的语音增强算法46-54
• 5.1 引言46
• 5.2 基于DNN改进的语音增强算法46-49
• 5.2.1 基于DNN的信号子空间语音增强算法46-48
• 5.2.2 基于DNN的子空间改进K-SVD稀疏表示语音增强算法48-49
• 5.3 实验仿真49-52
• 5.3.1 基于DNN的信号子空间语音增强算法实验仿真49-51
• 5.3.2 基于DNN的子空间改进K-SVD稀疏表示语音增强算法实验仿真51-52
• 5.4 本章总结52-54
• 第六章 总结与展望54-56
• 6.1 工作总结54
• 6.2 工作展望54-56
• 参考文献56-62
• 致谢62-64
• 攻读硕士学位期间发表的论文64

【相似文献】

中国期刊全文数据库 前10条

1 李映;张艳宁;许星;;基于信号稀疏表示的形态成分分析:进展和展望[J];电子学报;2009年01期

2 赵瑞珍;王飞;罗阿理;张彦霞;;基于稀疏表示的谱线自动提取方法[J];光谱学与光谱分析;2009年07期

3 杨蜀秦;宁纪锋;何东健;;基于稀疏表示的大米品种识别[J];农业工程学报;2011年03期

4 史加荣;杨威;魏宗田;;基于非负稀疏表示的人脸识别[J];计算机工程与设计;2012年05期

5 高志荣;熊承义;笪邦友;;改进的基于残差加权的稀疏表示人脸识别[J];中南民族大学学报(自然科学版);2012年03期

6 朱杰;杨万扣;唐振民;;基于字典学习的核稀疏表示人脸识别方法[J];模式识别与人工智能;2012年05期

7 耿耀君;张军英;袁细国;;一种基于稀疏表示系数的特征相关性测度[J];模式识别与人工智能;2013年01期

8 张疆勤;廖海斌;李原;;基于因子分析与稀疏表示的多姿态人脸识别[J];计算机工程与应用;2013年05期

9 李正周;王会改;刘梅;丁浩;金钢;;基于形态成分稀疏表示的红外小弱目标检测[J];弹箭与制导学报;2013年04期

10 胡正平;赵淑欢;李静;;基于块稀疏递推残差分析的稀疏表示遮挡鲁棒识别算法研究[J];模式识别与人工智能;2014年01期

中国重要会议论文全文数据库 前3条

1 何爱香;刘玉春;魏广芬;;基于稀疏表示的煤矸界面识别研究[A];虚拟运营与云计算——第十八届全国青年通信学术年会论文集（上册）[C];2013年

2 樊亚翔;孙浩;周石琳;邹焕新;;基于元样本稀疏表示的多视角目标识别[A];2013年中国智能自动化学术会议论文集（第五分册）[C];2013年

3 葛凤翔;任岁玲;郭鑫;郭良浩;孙波;;微弱信号处理及其研究进展[A];中国声学学会水声学分会2013年全国水声学学术会议论文集[C];2013年

中国博士学位论文全文数据库 前10条

1 李进明;基于稀疏表示的图像超分辨率重建方法研究[D];重庆大学;2015年

2 王亚宁;基于信号稀疏表示的电机故障诊断研究[D];河北工业大学;2014年

3 姚明海;视频异常事件检测与认证方法研究[D];东北师范大学;2015年

4 黄国华;蛋白质翻译后修饰位点与药物适应症预测方法研究[D];上海大学;2015年

5 王瑾;基于稀疏表示的数据收集、复原与压缩研究[D];北京工业大学;2015年

6 王文卿;基于融合框架与稀疏表示的遥感影像锐化[D];西安电子科技大学;2015年

7 解虎;高维小样本阵列自适应信号处理方法研究[D];西安电子科技大学;2015年

8 秦振涛;基于稀疏表示及字典学习遥感图像处理关键技术研究[D];成都理工大学;2015年

9 薛明;基于稀疏表示的在线目标跟踪研究[D];上海交通大学;2014年

10 孙乐;空谱联合先验的高光谱图像解混与分类方法[D];南京理工大学;2014年

中国硕士学位论文全文数据库 前10条

1 王道文;基于稀疏表示的目标跟踪算法研究[D];华南理工大学;2015年

2 李哲;基于稀疏表示和LS-SVM的心电信号分类[D];河北大学;2015年

3 孙雪青;Shearlet变换和稀疏表示相结合的甲状腺结节图像融合[D];河北大学;2015年

4 吴丽璇;基于稀疏表示的微聚焦X射线图像去噪方法[D];华南理工大学;2015年

5 赵孝磊;基于图像分块稀疏表示的人脸识别算法研究[D];南京信息工程大学;2015年

6 黄志明;基于辨别式稀疏字典学习的视觉追踪算法研究[D];华南理工大学;2015年

7 张铃华;非约束环境下的稀疏表示人脸识别算法研究[D];南京信息工程大学;2015年

8 贺妍斐;基于稀疏表示与自适应倒易晶胞的遥感图像复原方法研究[D];南京信息工程大学;2015年

9 杨烁;电能质量扰动信号的稀疏表示/压缩采样研究[D];西南交通大学;2015年

10 应艳丽;基于低秩稀疏表示的目标跟踪算法研究[D];西南交通大学;2015年

  本文关键词：基于K-SVD稀疏表示的语音增强算法研究，由笔耕文化传播整理发布。

，

本文编号：438180