《智能语音处理》读书笔记思维导图

PPT书籍导读最新版本读书笔记模板《智能语音处理》最新版读书笔记，下载可以直接修改语音模型小结深度智能参考文献技术分析方法神经网络处理实验性能矩阵基本概念典型信号网络算法本书关键字分析思维导图01内容简介第1章智能语音处理导论第3章隐变量模型本书编写组第2章稀疏和压缩感知第4章组合模型目录030502040607第5章人工神经网络和深度学习第7章语音增强第6章语音压缩编码第8章语音转换目录0908010011第9章说话人识别第11章智能语音处理展望第10章骨导语音增强缩略语目录013012014内容摘要本书从智能化社会对语音处理提出的新要求出发，按照导论—基础理论—应用实践的顺序，系统地介绍了智能语音处理涉及的基础理论、基本技术、主要方法以及典型的智能语音处理应用。首先概述了智能语音处理的相关背景；接着介绍了智能语音处理涉及的基础理论和相关技术，包括稀疏和压缩感知、隐变量模型、组合模型、人工神经网络和深度学习；然后结合具体算法，介绍了智能语音处理的典型应用，包括语音压缩编码、语音增强、语音转换、说话人识别、骨导语音增强；最后对智能语音处理的未来发展进行了展望。本书内容广泛，重点突出，既有深入浅出的原理阐述，又有创新科研成果的总结凝练，理论与实际结合紧密，可读性强。本书可以作为高等院校人工智能、电子信息工程、物联网工程、数据科学与大数据技术、通信工程等专业高年级本科生以及智能科学与技术、信号与信息处理、网络空间安全、通信与信息系统等学科研究生的参考教材，也可供从事语音处理技术研究与应用的科研及工程技术人员参考。内容简介本书编写组第1章智能语音处理导论1.1概述1.2经典语音处理1.3智能语音处理1.4语音处理的应用1.5小结参考文献010302040506第1章智能语音处理导论1.2.1语音处理的发展1.2.2语音基本表示方法1.2.3语音处理基本方法1.2.4经典语音处理方法的不足1.2经典语音处理1.3.1智能语音处理的基本概念1.3.3智能语音处理的基本模型1.3.2智能语音处理的基本框架1.3智能语音处理1.4.2语音处理的新应用领域1.4.1语音处理的传统应用领域1.4语音处理的应用第2章稀疏和压缩感知2.1引言2.2稀疏和稀疏表示2.3冗余字典2.4压缩感知2.5小结参考文献010302040506第2章稀疏和压缩感知2.2.2稀疏表示2.2.1稀疏2.2稀疏和稀疏表示2.3.1基本概念2.3.2字典学习2.3.3字典学习算法2.3.4原子选择算法2.3冗余字典2.4.1基本概念2.4.2压缩感知模型2.4.3观测矩阵2.4.4信号重构2.4压缩感知第3章隐变量模型3.1引言3.2高斯混合模型3.3隐马尔可夫模型3.4高斯过程隐变量模型3.5小结参考文献010302040506第3章隐变量模型3.2.2GMM参数估计3.2.1基本概念3.2高斯混合模型3.3.2HMM关键问题3.3.1基本概念3.3隐马尔可夫模型3.4.1基本模型3.4.3GPLVM模型训练3.4.2GPLVM的理论来源3.4高斯过程隐变量模型第4章组合模型4.1引言4.2主成分分析4.3非负矩阵分解4.4鲁棒组合模型4.5小结参考文献010302040506第4章组合模型4.2.2求解算法4.2.1基本模型4.2主成分分析4.3.1基本模型4.3.3NMF与其他数据表示模型的关...4.3.2求解算法4.3非负矩阵分解4.4.1组合模型的鲁棒性分析4.4.3鲁棒非负矩阵分解4.4.2鲁棒主成分分析4.4鲁棒组合模型第5章人工神经网络和深度学习5.1引言5.2神经网络基础5.3深度学习5.4深度神经网络的典型结构5.5小结参考文献010302040506第5章人工神经网络和深度学习5.2.1神经元模型5.2.3深度神经网络5.2.2浅层神经网络5.2神经网络基础5.3.2深度网络的学习方法5.3.1基本概念和形式5.3深度学习5.4.1深度置信网络5.4.2自动编码器与栈式自动编码器5.4.3卷积神经网络5.4.4循环神经网络5.4.5生成式对抗网络123455.4深度神经网络的典型结构第6章语音压缩编码6.1引言6.2基于字典学习的语音信号压缩感知6.3基于梅尔倒谱系数重构的语音压缩编...6.4基于深度学习的语音压缩编码6.5小结参考文献010302040506第6章语音压缩编码6.2.1语音信号的稀疏性6.2.2语音在常见变换域的稀疏化6.2.3基于K-L展开的语音非相干字...6.2.4基于K-L非相干字典的语音压...6.2.5实验仿真与性能分析123456.2基于字典学习的语音信号压缩感知6.3.1基于梅尔倒谱分析的抗噪语音编...6.3.2基于稀疏约束的梅尔倒谱合成6.3.3梅尔倒谱系数的量化算法6.3.4实验仿真与性能分析6.3基于梅尔倒谱系数重构的语音压缩编...6.4.1基于DAE的幅度谱编码和量化6.4.3实验仿真与性能分析6.4.2基于DAE的低速率语音编码6.4基于深度学习的语音压缩编码第7章语音增强7.1引言7.2语音增强技术基础7.3基于非负矩阵分解的语音增强7.4基于深度学习的语音增强7.5小结参考文献010302040506第7章语音增强7.2.1语音增强的估计参数7.2.3性能评价7.2.2智能语音增强的语音特征7.2语音增强技术基础7.3.1基本模型7.3.3基于CNMF字典学习的语音增...7.3.2基于不相交约束非负矩阵分解的...7.3基于非负矩阵分解的语音增强7.4.2基于听觉感知掩蔽的深度神经网...7.4.1基于听觉感知加权的深度神经网...7.4基于深度学习的语音增强第8章语音转换8.1引言8.2语音转换基本原理8.3语音转换模型与评价8.4基于非负矩阵分解的谱转换第8章语音转换8.5基于深度神经网络的谱转换参考文献8.6小结第8章语音转换8.3.1语音分析/合成模型8.3.2语音参数的选择8.3.3时间对齐8.3.4转换模型和规则8.3.5转换性能评价123458.3语音转换模型与评价8.4.1概述8.4.3声道谱转换效果8.4.2基于卷积非负矩阵分解的谱转换8.4基于非负矩阵分解的谱转换8.5.1深度学习驱动下的语音转换8.5.3基于BLSTM和神经网络声码...8.5.2面向谱转换的神经网络模型选择8.5基于深度神经网络的谱转换第9章说话人识别9.1引言9.2说话人识别基础9.3基于i-vector的说话人识别...9.4基于深度神经网络的说话人识别第9章说话人识别9.5说话人识别系统的攻击与防御参考文献9.6小结第9章说话人识别9.2.2典型的说话人识别模型9.2.1说话人识别系统框架9.2说话人识别基础9.3.1基于i-vector的说话人...9.3.3实验结果与分析9.3.2用于提高i-vector鲁棒...9.3基于i-vector的说话人识别...9.4.1基于深度神经网络的说话人识别...9.4.3实验结果与分析9.4.2基于对比度损失函数优化说话人...9.4基于深度神经网络的说话人识别9.5.1攻击和防御的背景9.5.2说话人识别系统的攻击方法9.5.3说话人识别攻击的检测方法9.5.4实验结果与分析9.5说话人识别系统的攻击与防御第10章骨导语音增强10.1引言10.2骨导语音增强基础10.3基于长短时记忆网络的骨导语音盲...10.4基于均衡-生成组合谱映射的骨导...10.5小结参考文献010302040506第10章骨导语音增强10.2.1骨导语音的产生与特性10.2.3骨导语音盲增强的典型方法10.2.2骨导语音盲增强的特点10.2骨导语音增强基础10.3.1骨导/气导语音的谱映射10.3.3实验仿真及性能分析10.3.2基于深度残差BLSTM的骨...10.3基于长短时记忆网络的骨导语音盲...10.4.1均衡法10.4.3实验仿真及性能分析10.4.2