检索结果-南通市图书馆

作者：兰琼琼宁波大学

学位级别：硕士

语音是人与人交流的最重要方式,也是最重要的信息载体之一。语音分离指将目标语音从背景噪声中分离出来,对提高语音质量和感知清晰度具有重要意义,可广泛的应用于移动语音通信,自动语音识别以及助听器设计等领域。近些年,将语音分离看... 详细信息

语音是人与人交流的最重要方式,也是最重要的信息载体之一。语音分离指将目标语音从背景噪声中分离出来,对提高语音质量和感知清晰度具有重要意义,可广泛的应用于移动语音通信,自动语音识别以及助听器设计等领域。近些年,将语音分离看作是监督性学习问题,使用监督模型学习从带噪语音到目标语音的映射,受到了国内外许多学者的关注,并取得一定的研究进展。本文基于监督学习算法,提出使用深层神经网络作为监督学习模型实现从带噪语音到目标语音之间的映射,完成语音分离任务。首先,使用深度神经网络（DNN）作为监督学习模型实现语音分离任务。为提高监督性语音分离在多种训练目标下的分离性能,提出一种基于特征组合的多目标监督性语音分离方法。针对声学特征之间的不同特性,提取多种典型的时频域声学特征,采用group lasso方法对这些特征进行选择及组合,得到一组特征组合向量;利用DNN模型在不同信噪比环境下完成组合特征在多分离目标下的语音分离实验。实验证明,特征组合显著的提高了监督性语音分离系统的分离性能,且在多种训练目标下都显示出了可行性与优越性。其次,使用卷积神经网络（CNN）作为监督学习模型对语音分离进行研究与实现。针对DNN全连接结构的复杂性及过渡依赖特征提取等问题,提出一种基于简单帧级别的CNN语音分离架构和方法。利用CNN卷积层的信息挖掘能力,充分发挥语音信号上下帧间的结构信息,学习语音信号的深层特性。提取Gammatone滤波域的多分辨率耳蜗图（MRCG）并进行上下帧扩展作为输入特征,通过设定CNN模型和DNN模型的对比实验,在不同信噪比和不同分离目标的条件下,完成语音评价指标的计算。实验结果验证了基于CNN的语音分离方法具有更高的分离性能和更低的时间复杂度。最后,使用粒子群算法改进卷积神经网络的BP算法,并应用于监督性语音分离中。针对卷积神经网络训练过程中用于反向传播的BP算法具有易陷于局部最优和泛化性差等缺点,使用粒子群代替BP算法进行网络权值的更新迭代。同样通过不同信噪比和多种分离目标完成两种语音分离指标的计算,验证粒子群改进卷积神经网络在语音分离中的优越性,提高语音分离系统的分离性能与泛化能力。

关键词：监督学习语音分离神经网络粒子群算法

来源：

同方学位论文库评论

在线全文

同方学位论文库

学校读者我要写书评

暂无评论

基于Logistic和Arnold变换的HEVC选择性加密方案

引用

计算机应用 2019年第10期39卷 2973-2979页

作者：周怡钊王晓东章联军兰琼琼宁波大学信息科学与工程学院

为了有效地保护视频信息,根据H.265/高效视频编码(HEVC)的特点,提出一种变换系数置乱和语法元素加密相结合的方案。针对变换单元(TU),利用Arnold变换对4×4大小的TU进行置乱,同时设计了一种移位加密器,根据TU的直流电(DC)系数近似分布... 详细信息

为了有效地保护视频信息,根据H.265/高效视频编码(HEVC)的特点,提出一种变换系数置乱和语法元素加密相结合的方案。针对变换单元(TU),利用Arnold变换对4×4大小的TU进行置乱,同时设计了一种移位加密器,根据TU的直流电(DC)系数近似分布规律对加密器进行初始化,并用Arnold变换生成加密映射对8×8、16×16、32×32大小TU的DC系数进行移位加密。针对熵编码过程中部分采用旁路编码的语法元素,利用Logistic混沌序列进行加密。加密后的视频峰值信噪比(PSNR)和结构相似性(SSIM)分别平均下降了26.1dB和0.51,压缩率仅降低了1.126%,也仅带来0.170%的编码时间增长。实验结果表明,在保证较好的加密效果、对比特率影响较小的前提下,所提方案具有较小的额外编码开销,适用于实时视频应用。

关键词：高效视频编码 Logistic Arnold变换选择性加密变换单元语法元素

来源：

维普期刊数据库

同方期刊数据库评论

在线全文

学校读者我要写书评

暂无评论

基于特征组合的多目标监督性语音分离研究

引用

无线通信技术 2019年第3期28卷 17-22页

作者：兰琼琼陆志华叶庆卫周宇宁波大学信息科学与工程学院

为提高监督性语音分离在多种训练目标下的分离性能,提出一种基于特征组合的多目标监督性语音分离方法.针对声学特征之间的不同特性,采用group lasso方法对时频域特征进行选择及组合;利用深度神经网络(Deep Neural Network,DNN)模型实现... 详细信息

为提高监督性语音分离在多种训练目标下的分离性能,提出一种基于特征组合的多目标监督性语音分离方法.针对声学特征之间的不同特性,采用group lasso方法对时频域特征进行选择及组合;利用深度神经网络(Deep Neural Network,DNN)模型实现组合特征在多目标下的分离实验.实验结果表明,使用特征组合得到的分离性能有显著的提高,且在多种训练目标下都显示出了可行性与优越性.

关键词：语音分离监督性学习特征组合 DNN

来源：

维普期刊数据库

同方期刊数据库评论

在线全文

学校读者我要写书评

暂无评论

欢迎您,

建议与咨询留下您的常用邮箱和电话号码，以便我们向您反馈解决方案和替代方法

时间限定

文献类型

馆藏选择

核心期刊

语言

文献类型

帮助

文字说明：

检索规则说明：

检索范例：

分类表

所选分类

限定检索结果

文献类型

馆藏范围

日期分布

学科分类号

主题

机构

作者

语言

在线全文

在线全文

在线全文

请选择保存的检索档案：

请选择收藏分类：

通借通还

欢迎您,

建议与咨询 留下您的常用邮箱和电话号码，以便我们向您反馈解决方案和替代方法

时间限定

文献类型

馆藏选择

核心期刊

语言

文献类型

帮助

文字说明：

检索规则说明：

检索范例：

分类表

所选分类

限定检索结果

文献类型

馆藏范围

日期分布

学科分类号

主题

机构

作者

语言

在线全文

在线全文

在线全文

请选择保存的检索档案： 新增检索档案 确定 取消

请选择收藏分类： 新增自定义分类 确定 取消

通借通还

建议与咨询留下您的常用邮箱和电话号码，以便我们向您反馈解决方案和替代方法

请选择保存的检索档案：

请选择收藏分类：