智能语音处理

前言
第1章　智能语音处理导论1
　11　概述1
　12　经典语音处理2
　　　121　语音处理的发展2
　　　122　语音基本表示方法3
　　　123　语音处理基本方法3
　　　124　经典语音处理方法的不足4
　13　智能语音处理5
　　　131　智能语音处理的基本概念5
　　　132　智能语音处理的基本框架5
　　　133　智能语音处理的基本模型6
　14　语音处理的应用7
　　　141　语音处理的传统应用领域8
　　　142　语音处理的新应用领域11
　15　小结14
　参考文献14
第2章　稀疏和压缩感知15
　21　引言15
　22　稀疏和稀疏表示16
　　　221　稀疏16
　　　222　稀疏表示18
　23　冗余字典19
　　　231　基本概念19
　　　232　字典学习20
　　　233　字典学习算法22
　　　234　原子选择算法25
　24　压缩感知27
　　　241　基本概念27
　　　242　压缩感知模型29
　　　243　观测矩阵30
　　　244　信号重构32
　25　小结33
　参考文献33
第3章　隐变量模型36
　31　引言36
　32　高斯混合模型36
　　　321　基本概念37
　　　322　GMM参数估计37
　33　隐马尔可夫模型39
　　　331　基本概念39
　　　332　HMM关键问题42
　34　高斯过程隐变量模型48
　　　341　基本模型48
　　　342　GPLVM的理论来源49
　　　343　GPLVM模型训练50
　35　小结51
　参考文献51
第4章　组合模型52
　41　引言52
　42　主成分分析53
　　　421　基本模型53
　　　422　求解算法54
　43　非负矩阵分解56
　　　431　基本模型56
　　　432　求解算法57
　　　433　NMF与其他数据表示模型的关系58
　44　鲁棒组合模型60
　　　441　组合模型的鲁棒性分析61
　　　442　鲁棒主成分分析61
　　　443　鲁棒非负矩阵分解63
　45　小结64
　参考文献64
第5章　人工神经网络和深度学习65
　51　引言65
　52　神经网络基础66
　　　521　神经元模型66
　　　522　浅层神经网络67
　　　523　深度神经网络68
　53　深度学习69
　　　531　基本概念和形式69
　　　532　深度网络的学习方法70
　54　深度神经网络的典型结构71
　　　541　深度置信网络71
　　　542　自动编码器与栈式自动编码器72
　　　543　卷积神经网络74
　　　544　循环神经网络75
　　　545　生成式对抗网络77
　55　小结79
　参考文献79
第6章　语音压缩编码81
　61　引言81
　62　基于字典学习的语音信号压缩感知82
　　　621　语音信号的稀疏性82
　　　622　语音在常见变换域的稀疏化83
　　　623　基于K-L展开的语音非相干字典84
　　　624　基于K-L非相干字典的语音压缩重构87
　　　625　实验仿真与性能分析88
　63　基于梅尔倒谱系数重构的语音压缩编码93
　　　631　基于梅尔倒谱分析的抗噪语音编码模型94
　　　632　基于稀疏约束的梅尔倒谱合成96
　　　633　梅尔倒谱系数的量化算法99
　　　634　实验仿真与性能分析103
　64　基于深度学习的语音压缩编码107
　　　641　基于DAE的幅度谱编码和量化107
　　　642　基于DAE的低速率语音编码110
　　　643　实验仿真与性能分析111
　65　小结113
　参考文献113
第7章　语音增强115
　71　引言115
　72　语音增强技术基础116
　　　721　语音增强的估计参数116
　　　722　智能语音增强的语音特征117
　　　723　性能评价118
　73　基于非负矩阵分解的语音增强120
　　　731　基本模型121
　　　732　基于不相交约束非负矩阵分解的语音增强122
　　　733　基于CNMF字典学习的语音增强127
　74　基于深度学习的语音增强136
　　　741　基于听觉感知加权的深度神经网络语音增强方法136
　　　742　基于听觉感知掩蔽的深度神经网络语音增强方法141
　75　小结151
　参考文献152
第8章　语音转换155
　81　引言155
　82　语音转换基本原理155
　83　语音转换模型与评价156
　　　831　语音分析/合成模型156
　　　832　语音参数的选择157
　　　833　时间对齐157
　　　834　转换模型和规则158
　　　835　转换性能评价159
　84　基于非负矩阵分解的谱转换160
　　　841　概述160
　　　842　基于卷积非负矩阵分解的谱转换161
　　　843　声道谱转换效果164
　85　基于深度神经网络的谱转换168
　　　851　深度学习驱动下的语音转换168
　　　852　面向谱转换的神经网络模型选择168
　　　853　基于BLSTM和神经网络声码器交替训练的语音转换171
　86　小结176
　参考文献176
第9章　说话人识别178
　91　引言178
　92　说话人识别基础179
　　　921　说话人识别系统框架179
　　　922　典型的说话人识别模型180
　93　基于i-vector的说话人识别及其改进181
　　　931　基于i-vector的说话人识别概述181
　　　932　用于提高i-vector鲁棒性的帧加权方法182
　　　933　实验结果与分析187
　94　基于深度神经网络的说话人识别187
　　　941　基于深度神经网络的说话人识别概述187
　　　942　基于对比度损失函数优化说话人矢量189
　　　943　实验结果与分析191
　95　说话人识别系统的攻击与防御192
　　　951　攻击和防御的背景192
　　　952　说话人识别系统的攻击方法192
　　　953　说话人识别攻击的检测方法194
　　　954　实验结果与分析196
　96　小结196
　参考文献197
第10章　骨导语音增强200
　101　引言200
　102　骨导语音增强基础201
　　　　1021　骨导语音的产生与特性201
　　　　1022　骨导语音盲增强的特点202
　　　　1023　骨导语音盲增强的典型方法203
　103　基于长短时记忆网络的骨导语音盲增强205
　　　　1031　骨导/气导语音的谱映射206
　　　　1032　基于深度残差BLSTM的骨导语音盲增强方法207
　　　　1033　实验仿真及性能分析211
　104　基于均衡-生成组合谱映射的骨导语音盲增强215
　　　　1041　均衡法215
　　　　1042　基于均衡-生成组合谱映射的骨导语音盲增强方法216
　　　　1043　实验仿真及性能分析218
　105　小结222
　参考文献223
第11章　智能语音处理展望224
　111　智能语音处理的未来224
　112　有待解决的关键技术225
　　　　1121　语音识别226
　　　　1122　语音合成228
　　　　1123　语音增强229
　　　　1124　语音处理中的安全问题230
　113　小结230
　参考文献230
缩略语232