一、基于多分辨率子波变换的自适应滤波语音增强方法（论文文献综述）
蒋青松[1]（2020）在《远场麦克风阵列语音增强技术研究》文中提出近年来,随着人工智能的快速发展,语音作为人机交互的重要入口受到了广泛关注,国内外对于语音交互的研究又掀起了一个新的高潮。麦克风阵列利用了语音信号的空间信息,比单通道语音信号有更多的空时信息,具有更高的增益、波束灵活性和抑制噪声能力强等优点。广义旁瓣消除（Generalized Sidelobe Cancelling,GSC）算法把波束形成中的约束问题转化为无约束问题且不需要估计噪声的先验信息,在工程中应用广泛。然而,在实际的应用场景中,由于存在麦克风不匹配、时延估计不准、期望方向误差和混响等问题,在下支路会有期望语音信号的泄露,从而导致在自适应噪声消除模块会发生期望信号对消的问题。此外,在语音增强的过程中,会引起部分语音特征的失真,降低语音识别系统的噪声鲁棒性和识别率,需要对语音信号进行特征增强。本文主要研究了鲁棒GSC自适应波束形成和语音特征增强算法,主要研究内容如下:首先,针对传统的GSC算法在自适应噪声相消时容易发生期望信号对消,且在上支路采用传统固定波束形成算法使得GSC输出信号鲁棒性较低的问题,本文提出一种改进的鲁棒GSC算法。在自适应噪声消除模块中,采用信号的相干性和能量比来联合控制自适应噪声相消器系数的更新,且在上支路采用鲁棒的超指向波束形成算法。提出的改进算法不仅有效地减少了期望信号的对消问题,还进一步提升了算法的鲁棒性和低频特性。其次,针对远场麦克风阵列语音识别中由于噪声影响导致语音特征失真的问题,本文深入分析了信号特征域和基于信号处理的语音特征增强,将多通道语音存在信息融入维纳滤波语音特征增强。相对传统的维纳滤波特征增强算法,改进算法能进一步抑制GSC输出信号的残留噪声,从而提高语音识别系统的噪声鲁棒性和识别率。最后,根据真实场景下录制的多通道语音数据仿真表明,本文提出的基于相干性和能量比的鲁棒GSC自适应波束形成算法,以及基于多通道语音存在的特征增强算法能够有效地保持期望信号不失真,同时提升识别系统的噪声鲁棒性和识别率。
曹鹏涛[2]（2019）在《基于广义S变换的地震数据弱信号提取方法研究》文中研究说明随着地震勘探目标逐渐向深层复杂构造岩性油气藏发展,所获地震资料的信噪比、分辨率低,有效信号堙没于强噪音背景下难以识别,常规数据处理中的去噪技术与方法已不适用于强噪音背景下地震数据弱信号的处理,低信噪比的弱信号处理要求是合理有效的去噪但不影响幅值较弱信号的识别与提取。因此需要在常规地震数据去噪方法基础上开发新的去噪方法用于强噪音背景下地震弱信号的识别与提取。本文根据地震信号的非线性与非平稳特征,适合使用时频分析方法进行处理的特点,通过对比分析了传统时频分析方法与S变换、广义S变换对非平稳信号处理的适用性,表明S变换及其广义S变换具有更好的时频聚集性,更加适用于地震数据弱信号处理。针对S变换时频分析窗函数随着分析信号频率的增大固定减小变化趋势的不足,引入混合控制高斯窗函数的优化S变换,这一优化S变换相比于常规广义S变换具有良好的时频聚焦性。基于这一优化广义S变换发展了一系列地震数据弱信号识别处理方法,分别给出了基于广义S变换的时频域地震弱信号识别算法、基于广义S变换与高斯平滑的自适应地震弱信号识别方法、联合广义S变换与CEEMD的地震弱信号提取方法和联合广义S变换与TT变换的面波压制方法的基本原理与计算流程。通过时变信号、合成地震记录与实际地震数据测试分析,证明了这一系列方法适用于地震数据弱信号处理,具有较好的强噪声背景下有效弱信号的识别与提取能力。最后针对这一系列方法在处理低信噪比地震数据弱信号时存在的不足,分别也给出了不同算法有待完善的不同优化解决方法。
朱春利[3]（2019）在《基于多特征融合的语音端点检测方法研究》文中提出随着信息技术的发展,语音智能化逐渐走上成熟,端点检测作为语音信号处理中一个核心技术而显得十分重要。语音端点检测的目的是从带噪语音信号中有效判别出语音的端点,从而减少语音信号处理的运算量和提高系统的性能。现有的端点检测方法在信噪比（Signal Noise Ratio,SNR）较高的环境下往往具有较好的检测效果,但随着信噪比的降低,端点检测效果很不理想,甚至失效。针对此问题,本文通过改进前端语音降噪算法,并结合改进后的多特征融合策略进行语音的双门限端点检测,并通过与其它方法进行实验仿真对比,验证了本文方法的优越性。本文的研究工作及创新点主要表现在以下几个方面:（1）结合语音增强技术,提出了基于最小均方（the Least Mean Square,LMS）自适应滤波减噪与多特征改进的语音单字端点检测方法,在处理噪声的过程中引入多次中值滤波平滑处理,有效减少了语音信号所含的野点噪声,并将改进后的对数能量和短时平均过门限率相融合进行双门限端点检测。（2）针对谱减法中短时傅里叶变换（Short-Time Fast Fourier Transform,SFFT）不能对非平稳信号进行有效分析,提出基于S谱减与多特征改进融合的连续语音端点检测方法,将S变换引入到谱减法中,使得语音具有更强的抗噪声性能,并利用改进的Mel频率倒谱系数（Mel Frequency Cepstrum Coefficient,MFCC）倒谱距离与均匀子带方差特征相融合的方法实现双门限双参数法检测。（3）为了提高语音端点检测阈值设定的自适应性,采用了基于语音前导无话段噪声估计的动态阈值设定策略,使得该阈值会随着每段语音的前导无话段计算噪声的情况而动态变化。（4）针对传统的评测方法存在操作性不足、误差性较大的问题,提出了置信度评测机制,通过端点检出率、漏检率、算法复杂度等指标来计算端点检测正确率,增强了实验的可信度和可靠性。
周氏青香[4]（2013）在《听觉特性及噪声估计在语音增强算法中的研究》文中研究表明由于噪声存在的必然性引起了语音系统性能急剧恶化的现象,从而直接地影响到语音重建的质量,导致通话质量的迅速降低。然而,如何尽可能的从带噪的语音信号中去除噪声、提取出纯净及有用的语音信号就成为目前语音信号处理领域中的一个热门话题,语音增强便成了语音信号处理的关键技术之一本文以语音增强为研究课题,在谱减法的基础上,提出了基于人耳的听觉特性及噪声估计在语音增强中的应用。该方法将一种在低信噪比非平稳环境中较为优越的噪声估计算法结合了入耳的听觉掩蔽效应来实现语音增强思想,所以该方法在大大减少了残留“音乐噪声”影响的同时也降低了增强后的语音的失真度,从而提高了增强语音质量。最小值控制递归平均法是一种新兴并且有效的噪声估计方法。它不需要语音的有声/无声判决,所以它比传统的语音活动检测噪声估计法更接近于软判决方法。而且该方法对每一帧都重新计算其噪声功率谱,使得噪声谱在所有的帧中能不断地的更新,实现实时跟踪噪声变化的需求。因而,基于最小值控制递归平均的噪声估计方法在非平稳噪声估计时是一种非常好的估计方法,估计出的噪声比较接近于原始噪声,使得经过谱减法后的增强语音信号更为“纯净”,所以较适合于实时实现。实验结果表明,在高输入信噪比平稳噪声的情况下,本文的方法相对基于听觉掩蔽效应多带谱减语音增强算法。但在低信噪比非平稳噪声输入时,本文方法的增强信号要明显地比传统方法的增强信号优越。该方法在其基础上有效地提高了输出信噪比及降低了增强语音的时域失真度,改善了语音的质量。因此,本文所提出的语音增强算法在抑制“音乐噪声”的同时,也增强了听觉的效果。
范迪[5]（2010）在《沉渣厚度超声检测信号处理技术研究及应用》文中认为钻孔底部过厚的沉渣是影响钻孔灌注桩质量的主要因素,而目前尚缺乏先进准确的沉渣厚度检测仪器,针对这一现状,本文提出钻孔沉渣厚度的超声测量方法,并围绕其超声信号处理中的滤波、增强和声走时获取等问题展开了一系列的研究工作,主要包括：1、分析了超声检测系统的四种工作模式及超声换能器参数与检测指标间的关系,确定了钻孔沉渣厚度超声检测所用超声换能器的特性,并在模拟环境中进行实验,获得了比较清晰的沉渣界面回波。2、研究了时域和变换域Gabor滤波。分析了Gabor变换系数的特点,提出了基于首个大类间距概率的阈值选取方法,并给出了详细的处理步骤。基于首个大类间距概率阈值的Gabor变换滤波在仿真信号和实际超声检测信号的处理中都获得了很好的效果。3、把迭代被动时间反转镜（PTRM）技术用于超声检测信号的增强,分析了二次迭代PTRM的时变增强原理和增强倍数。实验表明,该增强方法在介质声波传播特性未知的情况下能够实现信号的盲时变增强,同时还具有一定的噪声抑制能力。4、把谱减和子带的概念引入到奇异谱熵中,并给出了奇异谱子带的划分方式。提出了谱减子带奇异谱熵并把它用于超声信号的首波检测和定位。试验表明,基于谱减子带奇异谱熵的首波定位精确度高、抗干扰能力强、鲁棒性好。5、提出虚拟阵MUSIC时延估计算法,并给出虚拟阵元信号的构造方法和最少虚拟真元个数。在超声信号的时延估计中,虚拟阵MUSIC时延估计算法获得了高精度、高分辨率的时延估计结果。6、把以上提出的方法应用到实验获得中的沉渣超声测量信号的处理中,得到获得了比较理想的结果,证实了沉渣厚度超声检测的可行性和所提出处理方法的有效性。
沈亚强[6]（2005）在《基于子波变换的自适应滤波语音增强方法》文中指出在对噪声语音信号进行多分辨率子波分析的基础上,对分解后子波变换系数在尺度上和尺度间进行自适应滤波处理,并用它们的线性组合重构其语音信号,获得一种语音增强方法。
沈亚强[7]（2005）在《基于子波变换的自适应滤波语音增强方法》文中研究表明在对噪声语音信号进行多分辨率子波分析的基础上,对分解后子波变换系数在尺度上和尺度间进行自适应滤波处理,并用它们的线性组合重构其语音信号,获得一种语音增强方法。
沈亚强[8]（2003）在《基于多分辨率子波变换的自适应滤波语音增强方法》文中研究指明在对噪声语音信号进行多分辨率子波分析的基础上,对分解后子波变换系数在尺度上和尺度间进行自 适应滤波处理,并用它们的线性组合重构其语音信号,获得一种语音增强方法。实验结果表明,该方法能有效地去除 噪声语音信号中的噪声,滤波增强后的语音信号信噪比和主观听觉质量都有很大的提高和改善。
沈亚强,金洪震,冯根良[9]（2001）在《基于多分辨率子波变换的自适应滤波语音增强方法》文中研究指明在对噪声语音信号进行多分辨率子波分析的基础上,对分解后子波变换系数在尺度上和尺度间进行自适应滤波处理,并用它们的线性组合重构其语音信号,获得一种语音增强方法。实验结果表明,该方法能有效地去除噪声语音信号中的噪声,滤波增强后的语音信号信噪比和主观听觉质量都有很大的提高和改善。
闻后来[10]（2021）在《基于多传感信息融合的可穿戴实时心率监测技术研究》文中研究表明随着传感器技术的快速发展,可穿戴设备已被运用到了许多研究领域。利用可穿戴设备监测体征信号能够客观分析个体的身心健康状况。心率作为人体的一项重要生理指标,可以评估心脏活动能力,疲劳程度,通过监测心率变化与语音记录或者呼吸等可以用来评估情绪,但医疗中多采用单导联或多导联设备监测心电图来计算心率,在日常生活中存在不便。光电容积脉搏波描述法（Photoplethysmography,PPG）是一种运用PPG传感器将光线反射到皮肤上,测量光线强度的变化,可置于耳垂、指尖或手腕等处进行长时间无创心率监测。可穿戴设备采集的PPG脉搏波信号,由于受试者的自主或不自主运动,难以获得不受运动伪影（Motion Artifact,MA）干扰的PPG信号,这些MA将严重影响心率的计算与监测。本文调研与对比多种去噪算法的性能与实时性,本文提出使用递归最小二乘自适应滤波（Recursive Least Squares,RLS）算法融合三轴加速度信号对PPG信号去除运动伪影。为进一步确定心率频率范围,选择合适谱峰,提出了决策树心率频谱区间估计方法,为PPG信号频谱追踪提供先验信息,从而优选频谱峰值,可在可穿戴设备上实时处理。本文的主要研究工作如下:（1）设计一款多传感实时心率监测手环,以可穿戴设备为硬件平台,NB-IOT为系统架构,构建了实时心率监测系统;（2）基于三轴加速度数据对PPG信号进行自适应滤波,采用低阶RLS自适应滤波算法,实时性较高,并嵌入可穿戴设备中运行;（3）基于加速度特征对心率变化趋势估计,采用决策树对心率区间进行决策,为频谱跟踪提供先验准则,有效提高了频谱选择的准确率和实时性;（4）通过融合多路滤波器结果得到心率估计值,有效避免了单轴加速度频率对于实际心率频率的淹没;（5）本文利用设计的可穿戴实时心率监测系统上采集了12组日常生活中的连续心率监测数据,实验场景为日常生活学习区域的4种状态的切换,包括站立,静坐,走路和跑步,并夹杂部分非周期运动如打字,翻阅资料等。此外,选用12组公开数据集作为补充数据集。在上述数据集上分析均得到较高的准确率,保证了在误差允许范围内的同时并嵌入可穿戴设备中实时运行。
二、基于多分辨率子波变换的自适应滤波语音增强方法（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：
本文主要提出一款精简64位RISC处理器存储管理单元结构并详细分析其设计过程。在该MMU结构中,TLB采用叁个分离的TLB,TLB采用基于内容查找的相联存储器并行查找,支持粗粒度为64KB和细粒度为4KB两种页面大小,采用多级分层页表结构映射地址空间,并详细论述了四级页表转换过程,TLB结构组织等。该MMU结构将作为该处理器存储系统实现的一个重要组成部分。
（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。
三、基于多分辨率子波变换的自适应滤波语音增强方法（论文提纲范文）
（1）远场麦克风阵列语音增强技术研究（论文提纲范文）
| 摘要 |
| abstract |
| 注释表 |
| 第1章 绪论 |
| 1.1 研究背景及意义 |
| 1.2 国内外研究现状 |
| 1.2.1 单通道语音增强技术 |
| 1.2.2 麦克风阵列语音增强技术 |
| 1.3 本文主要贡献和内容安排 |
| 第2章 麦克风阵列信号处理基础 |
| 2.1 语音信号与噪声信号 |
| 2.1.1 语音信号特性 |
| 2.1.2 噪声信号特性 |
| 2.2 阵列信号处理基础 |
| 2.2.1 近场与远场模型 |
| 2.2.2 短时傅里叶变换 |
| 2.3 阵列信号处理模型 |
| 2.3.1 阵列信号建模 |
| 2.3.2 阵列性能指标 |
| 2.3.3 延迟求和波束形成器 |
| 2.4 自适应滤波算法简介 |
| 2.4.1 自适应滤波基本原理 |
| 2.4.2 基础自适应滤波算法 |
| 2.5 语音特征增强 |
| 2.6 语音质量评价标准 |
| 2.6.1 主观评价指标 |
| 2.6.2 客观评价指标 |
| 2.7 本章小结 |
| 第3章 鲁棒GSC自适应波束形成算法 |
| 3.1 引言 |
| 3.2 传统GSC波束形成算法 |
| 3.2.1 固定波束形成算法 |
| 3.2.2 传统GSC算法阻塞矩阵及输出 |
| 3.3 改进的基于相干性和能量比的鲁棒GSC算法 |
| 3.3.1 算法概述 |
| 3.3.2 改进的GSC算法求相干性 |
| 3.3.3 改进的GSC算法求能量比 |
| 3.3.4 改进GSC算法输出 |
| 3.4 仿真实验 |
| 3.4.1 实验环境设置 |
| 3.4.2 实验结果分析 |
| 3.5 本章小结 |
| 第4章 基于多通道语音存在信息的特征增强 |
| 4.1 引言 |
| 4.2 变换域的信号建模 |
| 4.3 改进的维纳滤波特征增强方法 |
| 4.3.1 传统的维纳滤波算法 |
| 4.3.2 改进的维纳滤波特征增强算法 |
| 4.4 仿真实验 |
| 4.4.1 实验设置说明 |
| 4.4.2 实验结果分析 |
| 4.5 本章小结 |
| 第5章 总结与展望 |
| 5.1 本文工作总结 |
| 5.2 研究展望 |
| 参考文献 |
| 致谢 |
| 攻读硕士学位期间从事的科研工作及取得的成果 |
（2）基于广义S变换的地震数据弱信号提取方法研究（论文提纲范文）
| 摘要 |
| abstract |
| 第一章 前言 |
| 1.1 研究目的与意义 |
| 1.2 国内外研究现状 |
| 1.3 论文的主要研究内容 |
| 1.4 论文主要创新点 |
| 第二章 地震数据弱信号的主要特征 |
| 2.1 低信噪比地震数据的特点 |
| 2.2 地震弱信号特点 |
| 2.3 地震数据弱信号的频谱与时频谱特点 |
| 2.4 本章小结 |
| 第三章 传统时频分析方法 |
| 3.1 短时傅里叶变化 |
| 3.2 小波变换 |
| 3.3 魏格纳分布 |
| 3.4 几种传统时频分析方法的比较 |
| 3.5 本章小结 |
| 第四章 S变换及广义S变换理论 |
| 4.1 S变换基本原理 |
| 4.2 离散S变换 |
| 4.3 广义S变换 |
| 4.4 离散正交S变换、快速离散正交S变换 |
| 4.5 TT变换 |
| 4.6 几种时频分析方法比较 |
| 4.7 本章小结 |
| 第五章 基于广义S变换的地震数据弱信号提取技术研究 |
| 5.1 地震弱信号识别方法简介 |
| 5.2 基于广义S变换的地震数据弱信号识别技术 |
| 5.2.1 基于广义S变换的时频域地震弱信号识别方法 |
| 5.2.2 基于广义S变换的时频域自适应弱信号识别方法原理 |
| 5.2.3 噪声残差似然估计自适应滤波去噪原理 |
| 5.2.4 基于广义S变换的时频域自适应弱信号识别方法实现步骤 |
| 5.2.5 模型试算处理分析 |
| 5.2.6 小结 |
| 5.3 基于广义S变换与高斯平滑的自适应地震弱信号识别方法 |
| 5.3.1 基于广义S变换与高斯平滑的自适应弱信号识别方法原理 |
| 5.3.2 基于广义S变换与高斯平滑的自适应弱信号识别方法实现过程 |
| 5.3.3 模型试算处理分析 |
| 5.3.4 实际资料处理分析 |
| 5.3.5 小结 |
| 5.4 联合广义S变换与CEEMD的地震弱信号提取方法 |
| 5.4.1 联合广义S变换与CEEMD的地震弱信号提取方法原理 |
| 5.4.2 联合广义S变换与CEEMD的地震弱信号提取方法实现步骤 |
| 5.4.3 模型试算分析 |
| 5.4.4 实际资料处理分析 |
| 5.4.5 小结 |
| 5.5 联合广义S变换与TT变换噪声压制方法 |
| 5.5.1 基于TT变换的噪声压制方法原理 |
| 5.5.2 基于TT变换面波压制方法实现过程 |
| 5.5.3 TT变换面波压制方法模型试算 |
| 5.5.4 基于广义S变换的时频域自适应面波压制方法原理 |
| 5.5.5 联合广义S变换与TT变换噪声压制方法 |
| 5.5.6 联合广义S变换与TT变换噪声压制方法实现过程 |
| 5.5.7 实际资料试算 |
| 5.5.8 小结 |
| 5.6 本章小结 |
| 结论与展望 |
| 参考文献 |
| 攻读硕士学位期间取得的学术成果 |
| 致谢 |
（3）基于多特征融合的语音端点检测方法研究（论文提纲范文）
| 摘要 |
| ABSTRACT |
| 第一章 绪论 |
| 1.1 课题的研究背景及意义 |
| 1.2 国内外研究现状及发展趋势 |
| 1.2.1 研究概况 |
| 1.2.2 国内外语音端点检测方法的发展 |
| 1.3 论文的主要研究内容与章节安排 |
| 第二章 语音信号处理基础 |
| 2.1 语音信号的特点与模型 |
| 2.1.1 语音信号的产生机制及特性 |
| 2.1.2 语音信号的数学模型 |
| 2.2 语音信号数字化与预处理 |
| 2.2.1 语音信号的数字化 |
| 2.2.2 语音信号的预处理 |
| 2.3 语音去噪方法介绍 |
| 2.3.1 语音去噪对于端点检测的意义 |
| 2.3.2 噪声的分类与特性 |
| 2.3.3 传统的语音去噪方法 |
| 2.4 典型语音端点检测模块 |
| 2.4.1 特征提取 |
| 2.4.2 噪声估计 |
| 2.4.3 判决机制 |
| 2.5 本章小结 |
| 第三章 基于特征的语音端点检测典型算法 |
| 3.1 基于特征参数的端点检测方法 |
| 3.1.1 基于特征参数的端点检测方法的一般步骤 |
| 3.1.2 双门限端点检测法 |
| 3.2 基于时域特征参数的端点检测 |
| 3.2.1 语音能量特征 |
| 3.2.2 语音过零率特征 |
| 3.2.3 自相关特征 |
| 3.3 基于频域特征参数的端点检测 |
| 3.3.1 倒谱距离特征 |
| 3.3.2 频带方差特征 |
| 3.3.3 谱熵特征 |
| 3.4 传统特征参数端点检测的缺陷 |
| 3.5 基于多特征参数融合的端点检测 |
| 3.5.1 能零比的端点检测 |
| 3.5.2 能熵比的端点检测 |
| 3.6 本章小结 |
| 第四章 基于LMS减噪与多特征改进的语音单字端点检测方法 |
| 4.1 自适应滤波减噪 |
| 4.1.1 LMS算法基本原理 |
| 4.1.2 LMS自适应算法 |
| 4.2 LMS减噪与改进双门限端点检测 |
| 4.2.1 改进的短时对数能量 |
| 4.2.2 改进的短时平均过门限率 |
| 4.2.3 中值滤波平滑处理 |
| 4.3 实现结果与分析 |
| 4.3.1 实验环境 |
| 4.3.2 实验置信度性能评测 |
| 4.3.3 实验准确性结果与分析 |
| 4.3.4 实验稳健性结果与分析 |
| 4.4 本章小结 |
| 第五章 基于S谱减与多特征改进融合的连续语音端点检测方法 |
| 5.1 基于MFCC倒谱距离特征提取 |
| 5.1.1 MFCC特征提取 |
| 5.1.2 MFCC倒谱距离 |
| 5.2 基于S谱减法的MFCC倒谱距离特征提取 |
| 5.2.1 S谱减法降噪 |
| 5.2.2 S谱减MFCC倒谱距离特征提取 |
| 5.3 基于均匀子带分离频带方差特征提取 |
| 5.4 动态阈值更新与端点检测 |
| 5.5 实验结果与分析 |
| 5.5.1 实验环境 |
| 5.5.2 实验置信度性能评测 |
| 5.5.3 实验结果与分析 |
| 5.6 本章小结 |
| 第六章 结论与展望 |
| 6.1 结论 |
| 6.2 展望 |
| 参考文献 |
| 作者在攻读硕士学位期间公开发表的论文 |
| 作者在攻读硕士学位期间所参与的项目 |
| 致谢 |
（4）听觉特性及噪声估计在语音增强算法中的研究（论文提纲范文）
| 摘要 |
| Abstract |
| 第1章 绪论 |
| 1.1 课题的研究背景及意义 |
| 1.2 语音增强技术研究现状 |
| 1.3 本文研究内容及结构 |
| 第2章 语音增强的相关问题 |
| 2.1 语音及噪声的特性 |
| 2.1.1 语音特性 |
| 2.1.2 噪声特性 |
| 2.1.3 人耳的感知特性 |
| 2.2 语音增强算法概述 |
| 2.2.1 参数方法 |
| 2.2.2 非参数方法 |
| 2.2.3 统计方法 |
| 2.2.4 其它方法 |
| 2.3 语音增强算法的评价方法 |
| 2.3.1 主观的评价方法 |
| 2.3.2 客观的评价方法 |
| 2.4 本章小结 |
| 第3章 噪声的估计 |
| 3.1 基于语音活动检测的噪声估计 |
| 3.1.1 基于短时能量的多级判决方法 |
| 3.1.2 自适应的子带谱熵法 |
| 3.1.3 基于统计模型的VAD方法 |
| 3.2 基于最小值跟踪的噪声估计 |
| 3.2.1 最小值跟踪思想 |
| 3.2.2 最小值控制递归平均法 |
| 3.2.3 改进的最小值控制递归平均算法 |
| 3.3 本章小结 |
| 第4章 基于听觉掩蔽效应的语音增强方法 |
| 4.1 基于多频带分析谱减的语音增强算法 |
| 4.1.1 多频带谱减法的原理和框图 |
| 4.1.2 各个频带谱减参数的确定方法 |
| 4.1.3 实验结果与分析 |
| 4.2 Bark带的导出及变换定义与性质 |
| 4.2.1 Bark带的导出 |
| 4.2.2 Bark子波及其变换 |
| 4.2.3 Bark子波的性质 |
| 4.3 基于听觉掩蔽效应的多带分析谱减语音增强算法 |
| 4.3.1 基于掩蔽效应多频带分析谱减语音增强原理框图 |
| 4.3.2 掩蔽阈值的计算 |
| 4.3.3 谱减参数可调的计算 |
| 4.3.4 实验仿真及结果 |
| 4.4 本章小结 |
| 第5章 基于听觉特性结合IMCRA噪声估计的语音增强算法 |
| 5.1 基于听觉特性结合IMCRA噪声估计的语音增强系统框图 |
| 5.2 实验仿真结果 |
| 5.3 增强语音性能分析 |
| 5.3.1 语音质量的主观评价 |
| 5.3.2 语音质量的客观评价 |
| 5.4 本章小结 |
| 第6章 总结与展望 |
| 参考文献 |
| 致谢 |
（5）沉渣厚度超声检测信号处理技术研究及应用（论文提纲范文）
| 摘要 |
| ABSTRACT |
| 1 绪论 |
| 1.1 钻孔灌注桩及其孔底沉渣 |
| 1.2 钻孔沉渣厚度检测现状 |
| 1.3 课题的提出和意义 |
| 1.4 超声信号处理技术研究现状 |
| 1.5 论文的主要工作及内容安排 |
| 2 沉渣厚度超声检测硬件系统及实验 |
| 2.1 沉渣厚度超声检测硬件系统 |
| 2.2 沉渣厚度超声检测实验 |
| 2.3 本章小结 |
| 3 超声检测信号的Gabor滤波 |
| 3.1 引言 |
| 3.2 时域Gabor滤波 |
| 3.3 Gabor变换滤波及首个大类间距概率阈值的提出 |
| 3.4 Gabor滤波仿真实验 |
| 3.5 本章小结 |
| 4 基于迭代被动时间反转镜的超声信号增强 |
| 4.1 时间反转镜技术 |
| 4.2 迭代被动时间反转镜及超声信号时变增强 |
| 4.3 迭代PTRM超声信号增强的仿真实验 |
| 4.4 本章小结 |
| 5 基于谱减子带奇异谱熵的超声回波首波定位 |
| 5.1 首波定位技术概述 |
| 5.2 谱减子带奇异谱熵的提出 |
| 5.3 基于SS-B-SVSE的超声回波首波定位及仿真实验 |
| 5.4 本章小结 |
| 6 基于虚拟阵列MUSIC算法的时延估计 |
| 6.1 时延估计技术概述 |
| 6.2 基于MUSIC算法的时延估计 |
| 6.3 虚拟阵列及其MUSIC时延估计算法的提出 |
| 6.4 虚拟阵列MUSIC时延估计仿真实验 |
| 6.5 本章小结 |
| 7 在钻孔沉渣厚度超声检测中的具体应用 |
| 7.1 钻孔沉渣超声检测信号的滤波 |
| 7.2 钻孔沉渣超声检测信号的增强 |
| 7.3 基于首波定位的钻孔沉渣厚度测量 |
| 7.4 基于时延估计的钻孔沉渣厚度测量 |
| 7.5 误差分析 |
| 7.6 本章小结 |
| 8 总结与展望 |
| 8.1 工作总结 |
| 8.2 本文的创新点 |
| 8.3 工作展望 |
| 致谢 |
| 攻读博士期间主要成果 |
| 参考文献 |
（6）基于子波变换的自适应滤波语音增强方法（论文提纲范文）
| 1 引 言 |
| 2 基于信号的多分辨率子波变换的自适应滤波重构算法 |
| 3 语音去噪计算机实验仿真 |
| 4 结 论 |
（8）基于多分辨率子波变换的自适应滤波语音增强方法（论文提纲范文）
| 1、引言 |
| 2、信号的多分辨率子波分析和自适应滤波重构算法 |
| 2.1 信号的多分辨率子波分解 |
| 2.2 自适应滤波重构语音信号算法 |
| 3、语音去噪计算机实验仿真 |
| 4、结论 |
（10）基于多传感信息融合的可穿戴实时心率监测技术研究（论文提纲范文）
| 摘要 |
| abstract |
| 第一章 绪论 |
| 1.1 研究工作的背景与意义 |
| 1.1.1 实时心率监测的背景与意义 |
| 1.1.2 穿戴式PPG信号测量方式与难点 |
| 1.2 国内外研究现状 |
| 1.3 本文的贡献与创新 |
| 1.4 论文的结构与安排 |
| 第二章 基于多传感信息融合的实时心率监测方法 |
| 2.1 信号预处理 |
| 2.2 特征计算与分析 |
| 2.3 基于多传感信息融合的RLS自适应滤波 |
| 2.3.1 自适应滤波器 |
| 2.3.2 基于RLS的自适应滤波算法 |
| 2.3.3 基于多传感信息融合的RLS自适应滤波器对PPG去噪 |
| 2.4 基于决策树的频谱选择 |
| 2.4.1 决策树 |
| 2.4.2 模型定性分析 |
| 2.4.3 基于决策树的频谱选择 |
| 2.4.4 心率计算 |
| 2.5 基于心率趋势的心率预测与验证 |
| 2.6 本章小结 |
| 第三章 基于多传感信息融合的实时心率监测系统 |
| 3.1 可穿戴硬件平台设计 |
| 3.1.1 硬件系统框架 |
| 3.1.2 最小系统设计 |
| 3.1.3 电源模块设计 |
| 3.1.4 心率模块设计 |
| 3.1.5 陀螺仪加速度计模块设计 |
| 3.1.6 NB-IoT模块设计 |
| 3.2 可穿戴软件平台设计 |
| 3.2.1 基于RT-Thread多线程程序设计 |
| 3.2.2 软件系统框架 |
| 3.2.3 实时心率估计算法 |
| 3.2.4 实时心率算法在线处理 |
| 3.3 本章小结 |
| 第四章 PPG信号采集与实验分析 |
| 4.1 实验设计与数据采集 |
| 4.2 实验评估指标 |
| 4.2.1 平均绝对误差 |
| 4.2.2 相关性分析 |
| 4.2.3 Bland-Altman图 |
| 4.3 实验数据分析 |
| 4.4 去噪结果对比与分析 |
| 4.5 基于决策树区间频谱选择结果分析 |
| 4.6 本章小结 |
| 第五章 总结与展望 |
| 5.1 全文总结 |
| 5.2 后续工作展望 |
| 致谢 |
| 参考文献 |
| 攻读硕士学位期间取得的成果 |
四、基于多分辨率子波变换的自适应滤波语音增强方法（论文参考文献）
- [1]远场麦克风阵列语音增强技术研究[D]. 蒋青松. 重庆邮电大学, 2020(02)
- [2]基于广义S变换的地震数据弱信号提取方法研究[D]. 曹鹏涛. 中国石油大学(华东), 2019(09)
- [3]基于多特征融合的语音端点检测方法研究[D]. 朱春利. 上海大学, 2019(03)
- [4]听觉特性及噪声估计在语音增强算法中的研究[D]. 周氏青香. 华东理工大学, 2013(06)
- [5]沉渣厚度超声检测信号处理技术研究及应用[D]. 范迪. 山东科技大学, 2010(07)
- [6]基于子波变换的自适应滤波语音增强方法[J]. 沈亚强. 仪器仪表学报, 2005(S1)
- [7]基于子波变换的自适应滤波语音增强方法[A]. 沈亚强. 第三届全国信息获取与处理学术会议论文集, 2005(总第126期)
- [8]基于多分辨率子波变换的自适应滤波语音增强方法[J]. 沈亚强. 浙江工商职业技术学院学报, 2003(04)
- [9]基于多分辨率子波变换的自适应滤波语音增强方法[A]. 沈亚强,金洪震,冯根良. 第十届全国信号处理学术年会（CCSP-2001）论文集, 2001
- [10]基于多传感信息融合的可穿戴实时心率监测技术研究[D]. 闻后来. 电子科技大学, 2021(01)