导读:本文包含了耳语音增强论文开题报告文献综述及选题提纲参考文献,主要关键词:深度学习,空间信息,复数信号
耳语音增强论文文献综述
孙兴伟[1](2019)在《基于深度学习的空间信息保持的双耳语音增强方法》一文中研究指出由于语音通常受到背景噪声和环境干扰的影响,语音增强技术在过去几十年中深受关注。近年来,基于深度学习的语音增强方法在应对非平稳噪声方面表现突出,并可显着提高语音的可懂度。对双耳听力的研究表明,保留语音中的空间信息有助于人耳对噪声环境中语音的理解,然而,大部分语音增强方法的目标(本文来源于《网络新媒体技术》期刊2019年06期)
韦怡[2](2019)在《基于子带分析的耳语音增强算法研究》一文中研究指出耳语音是语音的一种特殊形式,是人类日常交流中较为常见的语言方式。其发音方式类似于噪声所以对耳语音进行降噪非常困难,这就体现出耳语音增强技术在人们生活中显得至关重要。本文先对耳语音的时、频域特性进行分析研究,之后再对耳语音增强技术展开探索。因为耳语音也属于语音的一种形式,本文在研究耳语音增强之前对传统语音增强技术有个较为深入的研究,提出了一种基于子带谱熵的单通道语音增强算法,之后对基于耳语音增强技术的研究提出了两种改进算法:基于改进的梅尔(Mel)频率尺度和相位修正的耳语音增强算法以及耳语音共振峰特性与改进的Mel频率尺度相结合的耳语音增强算法。目前,耳语音方面的研究较少,大多停留在耳语音的基本特性分析,本文中从多个方面对耳语音特性进行分析,包括生理特性,声学特性以及时、频域仿真分析,为后文进行耳语音增强算法提供理论基础。本文给出的基于子带谱熵的单通道语音增强算法研究是在多带谱减法中采用等效矩形带宽(ERB)尺度划分临界频带,根据计算子带谱熵值来判断语音频谱分量与噪声频谱分量,将噪声更新阈值与后验信噪比相比较进行噪声估计,最后在各个频带中单独进行谱减法得到最后增强的语音信号。实验结果证明,提出的该单通道语音增强算法效果优于其他可比较的传统语音增强算法。在耳语音特性分析的基础上,给出了基于改进的Mel频率尺度和相位修正的耳语音增强算法。本文首先依据传统的Mel频率尺度与徐柏龄老师提出的两种频率尺度来得到改进的新Mel频率尺度。除此之外,对传统的相位谱补偿进行修正,将修正后的相位谱与经过谱减后的耳语音幅度谱相结合得到最终增强后的耳语音复频谱。其中在相位谱补偿函数中的噪声估计幅值采用新的方法获得。最后进行实验性能分析得到改进的耳语音增强算法在客观、主观评价方面增强效果均优于另外两种可比较的耳语音增强算法。另外,本文还给出了基于耳语音共振峰特性与改进的Mel频率尺度相结合的耳语音增强算法。首先根据上个耳语音增强改进算法中的改进Mel频率尺度得到该改进算法中可供选择的Mel频率尺度,计算耳语音的能熵比进行端点检测,然后在有话段中提取耳语音第二共振峰频率,依据该频率选择适合的Mel频率尺度进行多带谱减得到最后增强的耳语音信号。由实验结果可知,改进的耳语音增强算法在客观评价与主观评价中效果均优于另外两种可比较的增强算法。(本文来源于《南京师范大学》期刊2019-05-20)
方义,冯海泓,陈友元[3](2017)在《基于深度神经网络的双耳语音增强算法》一文中研究指出0引言语音增强技术广泛应用于听力障碍者的听力设备中,用于提高语音可懂度。传统的语音增强方法大多基于统计模型,而现实环境下噪声特性多样,传统的方法一般只在某种环境下有比较不错的效果,很难应用于噪声复杂多变的环境中。对于双耳语音增强来说,Nimayousifian等人于2012年提出一种基于相干函数的双耳方向性噪声抑制技术~([1]),该技术利用不同方位的相干函数的实部和虚部的不同,来构造一个关于相干函数实虚部(本文来源于《中国声学学会2017年全国声学学术会议论文集》期刊2017-09-22)
方义,冯海泓,陈友元,胡晓城[4](2016)在《一种抑制方向性噪声的双耳语音增强算法》一文中研究指出为了给双耳听力设备佩戴者带来更好的语音可懂度,提出了一种利用双耳时间差与声级差的近场语音增强算法,该方法首先利用这两种差异来估计语音的功率谱和语音的相干函数,然后计算干扰噪声在左右耳间的头相关传输函数的比值,最后构造两个维纳滤波器。客观评价的参数显示该算法去噪效果优于对比算法而目标语音的时间差误差和声级差误差低于对比算法。主观的言语接受阈测试表明该方法能有效提高语音可懂度。结果表明,该算法在能够有效去除干扰噪声的同时,保留了目标语音的空间信息。(本文来源于《声学学报》期刊2016年06期)
杜志然,周萍,景新幸,李杰[5](2012)在《基于谱熵的耳语音增强研究》一文中研究指出建立了一个小型耳语音库,并分析了耳语音的特点。在此基础上引入基于子带功率谱熵的改进谱减法对耳语音进行增强处理。该方法通过分析耳语音信号的子带功率谱熵,检测出耳语音的噪音段和语音段,然后对噪音段和语音段分别进行改进谱减处理,以达到良好的去噪效果。实验证明:此方法能有效分离出耳语音的噪声段和语音段,与传统谱减法相比,信噪比有了较大的提高。(本文来源于《传感器与微系统》期刊2012年06期)
邵怀宗,卢志恒,彭启琮[6](2010)在《基于最小均方误差幅度谱的耳语音增强算法》一文中研究指出最小均方误差幅度谱算法是去除语音中噪声的常用算法,传统的最小均方误差幅度谱算法不能跟踪实际环境中的非平稳噪声的变化,使得该算法性能逐渐下降,特别是在处理耳语音中的噪声时,性能下降更为明显。该文根据耳语音在声学上的特征,提出了一种用于处理耳语音的最小均方误差幅度谱改进算法,该算法结合了先验信噪比来有效地跟踪含噪耳语音中的噪声变化,并对谱增益进行了必要的门限修正。多种噪声环境下的仿真结果表明,该方法能有效地提高带噪耳语音的信噪比,有效地去除带噪耳语音中的噪声。(本文来源于《2010年通信理论与信号处理学术年会论文集》期刊2010-08-20)
陶智,赵鹤鸣,吴迪,陈大庆,张晓俊[7](2009)在《基于修正Mel域掩蔽模型和无语音概率的耳语音增强》一文中研究指出提出了一种基于修正Mel域听觉掩蔽模型和无语音概率的耳语音增强方法。该方法根据耳语音的发音特点对Mel频率进行修正,对每一帧耳语音信号进行Mel域频带滤波,同时通过无语音概率(SAP)动态地确定每个频带的听觉掩蔽阈值,对不同的听觉掩蔽阈值自适应地调整谱减系数来进行耳语音增强。对增强后的耳语音进行客观和主观测试,结果表明,该方法与其它谱减法相比,能将残留噪声和背景噪声控制在人耳掩蔽阈值下,取得更小的语音失真,主观听觉也得到了很大的改善。(本文来源于《声学学报(中文版)》期刊2009年04期)
孙静[8](2008)在《基于BP神经网络的耳语音增强的研究》一文中研究指出耳语音作为一种常用的语音形式,在很多学科中都有很重要的应用,近几年越来越成为人们研究的热点。而耳语音增强作为提高带噪耳语音质量的手段,其重要性也相对提升。相对于正常语音来说,耳语音在公共场合的信噪比较低,而且没有基音周期,共振峰不明显,所以耳语音增强具有一定的难度。本文在研究了正常语音增强的几种常用算法如谱减法、LMS自适应滤波等方法的基础上,把它们应用于耳语音增强,效果并不是非常好。由于人耳对于耳语音具有特殊的处理方式,本文采用了具有自适应特性的非线性神经网络——BP神经网络与符合人耳感知特性的Mel频率滤波器相结合的处理方法进行耳语音增强。首先根据耳语音的感知特性,对传统的Mel频率划分进行修正,产生一组抑制高、低频带,增强中间频带的非线性Mel频率,以适应人耳敏感频段从耳语音的第一共振峰移到第二共振峰附近的特点。然后利用修正的Mel频率滤波器对耳语音信号进行特征提取,把此特征矢量作为BP神经网络的输入,利用神经网络进行非线性逼近,产生相应频段的谱减因子,由此降低由谱减法产生的“音乐噪声”,并且符合人耳听觉特性。然后,本文对几种耳语音增强算法进行了计算机仿真,实验结果表明无论是从客观标准(信噪比)还是主观听觉(MOS分)效果,本文提出的具有感知特性的BP神经网络的耳语音增强方法取得的结果都比前几种方法好。最后,提出了本论文方法的缺点及未解决的问题,给出了进一步研究和改进的方向。(本文来源于《苏州大学》期刊2008-05-01)
孙静,陶智,顾济华,赵鹤鸣[9](2007)在《基于LMS自适应滤波的耳语音增强的研究》一文中研究指出文中针对带噪的耳语音提出了一种LMS自适应滤波的耳语音增强算法。首先采用谱减法得到一个增强耳语音信号,取得较好的谱包络后对增强信号进行LMS自适应滤波,消除由谱减法产生的音乐噪声。结果表明,采集到的耳语音信号的质量得到明显提高,即使在低信噪比的情况下,信噪比也能提高20dB左右。(本文来源于《通信技术》期刊2007年12期)
孙静,陶智,顾济华,赵鹤鸣[10](2007)在《基于AD神经网络的耳语音增强的研究》一文中研究指出论文针对带噪的耳语音提出了一种利用ADALINE神经网络消除背景噪声的耳语音增强算法。首先利用传统的谱减法来取得较好的谱包络,在此基础上使用AD线性神经网络进行自适应预测以达到提高耳语音质量的目的。结果表明,即使在低信噪比的情况下,信噪比也能提高20dB左右,而且取得了良好的听觉效果。(本文来源于《计算机工程与应用》期刊2007年29期)
耳语音增强论文开题报告
(1)论文研究背景及目的
此处内容要求:
首先简单简介论文所研究问题的基本概念和背景,再而简单明了地指出论文所要研究解决的具体问题,并提出你的论文准备的观点或解决方法。
写法范例:
耳语音是语音的一种特殊形式,是人类日常交流中较为常见的语言方式。其发音方式类似于噪声所以对耳语音进行降噪非常困难,这就体现出耳语音增强技术在人们生活中显得至关重要。本文先对耳语音的时、频域特性进行分析研究,之后再对耳语音增强技术展开探索。因为耳语音也属于语音的一种形式,本文在研究耳语音增强之前对传统语音增强技术有个较为深入的研究,提出了一种基于子带谱熵的单通道语音增强算法,之后对基于耳语音增强技术的研究提出了两种改进算法:基于改进的梅尔(Mel)频率尺度和相位修正的耳语音增强算法以及耳语音共振峰特性与改进的Mel频率尺度相结合的耳语音增强算法。目前,耳语音方面的研究较少,大多停留在耳语音的基本特性分析,本文中从多个方面对耳语音特性进行分析,包括生理特性,声学特性以及时、频域仿真分析,为后文进行耳语音增强算法提供理论基础。本文给出的基于子带谱熵的单通道语音增强算法研究是在多带谱减法中采用等效矩形带宽(ERB)尺度划分临界频带,根据计算子带谱熵值来判断语音频谱分量与噪声频谱分量,将噪声更新阈值与后验信噪比相比较进行噪声估计,最后在各个频带中单独进行谱减法得到最后增强的语音信号。实验结果证明,提出的该单通道语音增强算法效果优于其他可比较的传统语音增强算法。在耳语音特性分析的基础上,给出了基于改进的Mel频率尺度和相位修正的耳语音增强算法。本文首先依据传统的Mel频率尺度与徐柏龄老师提出的两种频率尺度来得到改进的新Mel频率尺度。除此之外,对传统的相位谱补偿进行修正,将修正后的相位谱与经过谱减后的耳语音幅度谱相结合得到最终增强后的耳语音复频谱。其中在相位谱补偿函数中的噪声估计幅值采用新的方法获得。最后进行实验性能分析得到改进的耳语音增强算法在客观、主观评价方面增强效果均优于另外两种可比较的耳语音增强算法。另外,本文还给出了基于耳语音共振峰特性与改进的Mel频率尺度相结合的耳语音增强算法。首先根据上个耳语音增强改进算法中的改进Mel频率尺度得到该改进算法中可供选择的Mel频率尺度,计算耳语音的能熵比进行端点检测,然后在有话段中提取耳语音第二共振峰频率,依据该频率选择适合的Mel频率尺度进行多带谱减得到最后增强的耳语音信号。由实验结果可知,改进的耳语音增强算法在客观评价与主观评价中效果均优于另外两种可比较的增强算法。
(2)本文研究方法
调查法:该方法是有目的、有系统的搜集有关研究对象的具体信息。
观察法:用自己的感官和辅助工具直接观察研究对象从而得到有关信息。
实验法:通过主支变革、控制研究对象来发现与确认事物间的因果关系。
文献研究法:通过调查文献来获得资料,从而全面的、正确的了解掌握研究方法。
实证研究法:依据现有的科学理论和实践的需要提出设计。
定性分析法:对研究对象进行“质”的方面的研究,这个方法需要计算的数据较少。
定量分析法:通过具体的数字,使人们对研究对象的认识进一步精确化。
跨学科研究法:运用多学科的理论、方法和成果从整体上对某一课题进行研究。
功能分析法:这是社会科学用来分析社会现象的一种方法,从某一功能出发研究多个方面的影响。
模拟法:通过创设一个与原型相似的模型来间接研究原型某种特性的一种形容方法。
耳语音增强论文参考文献
[1].孙兴伟.基于深度学习的空间信息保持的双耳语音增强方法[J].网络新媒体技术.2019
[2].韦怡.基于子带分析的耳语音增强算法研究[D].南京师范大学.2019
[3].方义,冯海泓,陈友元.基于深度神经网络的双耳语音增强算法[C].中国声学学会2017年全国声学学术会议论文集.2017
[4].方义,冯海泓,陈友元,胡晓城.一种抑制方向性噪声的双耳语音增强算法[J].声学学报.2016
[5].杜志然,周萍,景新幸,李杰.基于谱熵的耳语音增强研究[J].传感器与微系统.2012
[6].邵怀宗,卢志恒,彭启琮.基于最小均方误差幅度谱的耳语音增强算法[C].2010年通信理论与信号处理学术年会论文集.2010
[7].陶智,赵鹤鸣,吴迪,陈大庆,张晓俊.基于修正Mel域掩蔽模型和无语音概率的耳语音增强[J].声学学报(中文版).2009
[8].孙静.基于BP神经网络的耳语音增强的研究[D].苏州大学.2008
[9].孙静,陶智,顾济华,赵鹤鸣.基于LMS自适应滤波的耳语音增强的研究[J].通信技术.2007
[10].孙静,陶智,顾济华,赵鹤鸣.基于AD神经网络的耳语音增强的研究[J].计算机工程与应用.2007