《智能語音處理》讀書筆記思維導圖

PPT書籍導讀最新版本讀書筆記模板《智能語音處理》最新版讀書筆記，下載可以直接修改語音模型小結深度智能參考文獻技術分析方法神經網絡處理實驗性能矩陣基本概念典型信號網絡算法本書關鍵字分析思維導圖01內容簡介第1章智能語音處理導論第3章隱變量模型本書編寫組第2章稀疏和壓縮感知第4章組合模型目錄030502040607第5章人工神經網絡和深度學習第7章語音增強第6章語音壓縮編碼第8章語音轉換目錄0908010011第9章說話人識別第11章智能語音處理展望第10章骨導語音增強縮略語目錄013012014內容摘要本書從智能化社會對語音處理提出的新要求出發(fā)，按照導論—基礎理論—應用實踐的順序，系統(tǒng)地介紹了智能語音處理涉及的基礎理論、基本技術、主要方法以及典型的智能語音處理應用。首先概述了智能語音處理的相關背景；接著介紹了智能語音處理涉及的基礎理論和相關技術，包括稀疏和壓縮感知、隱變量模型、組合模型、人工神經網絡和深度學習；然后結合具體算法，介紹了智能語音處理的典型應用，包括語音壓縮編碼、語音增強、語音轉換、說話人識別、骨導語音增強；最后對智能語音處理的未來發(fā)展進行了展望。本書內容廣泛，重點突出，既有深入淺出的原理闡述，又有創(chuàng)新科研成果的總結凝練，理論與實際結合緊密，可讀性強。本書可以作為高等院校人工智能、電子信息工程、物聯網工程、數據科學與大數據技術、通信工程等專業(yè)高年級本科生以及智能科學與技術、信號與信息處理、網絡空間安全、通信與信息系統(tǒng)等學科研究生的參考教材，也可供從事語音處理技術研究與應用的科研及工程技術人員參考。內容簡介本書編寫組第1章智能語音處理導論1.1概述1.2經典語音處理1.3智能語音處理1.4語音處理的應用1.5小結參考文獻010302040506第1章智能語音處理導論1.2.1語音處理的發(fā)展1.2.2語音基本表示方法1.2.3語音處理基本方法1.2.4經典語音處理方法的不足1.2經典語音處理1.3.1智能語音處理的基本概念1.3.3智能語音處理的基本模型1.3.2智能語音處理的基本框架1.3智能語音處理1.4.2語音處理的新應用領域1.4.1語音處理的傳統(tǒng)應用領域1.4語音處理的應用第2章稀疏和壓縮感知2.1引言2.2稀疏和稀疏表示2.3冗余字典2.4壓縮感知2.5小結參考文獻010302040506第2章稀疏和壓縮感知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字典學習2.3.3字典學習算法2.3.4原子選擇算法2.3冗余字典2.4.1基本概念2.4.2壓縮感知模型2.4.3觀測矩陣2.4.4信號重構2.4壓縮感知第3章隱變量模型3.1引言3.2高斯混合模型3.3隱馬爾可夫模型3.4高斯過程隱變量模型3.5小結參考文獻010302040506第3章隱變量模型3.2.2GMM參數估計3.2.1基本概念3.2高斯混合模型3.3.2HMM關鍵問題3.3.1基本概念3.3隱馬爾可夫模型3.4.1基本模型3.4.3GPLVM模型訓練3.4.2GPLVM的理論來源3.4高斯過程隱變量模型第4章組合模型4.1引言4.2主成分分析4.3非負矩陣分解4.4魯棒組合模型4.5小結參考文獻010302040506第4章組合模型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與其他數據表示模型的關...4.3.2求解算法4.3非負矩陣分解4.4.1組合模型的魯棒性分析4.4.3魯棒非負矩陣分解4.4.2魯棒主成分分析4.4魯棒組合模型第5章人工神經網絡和深度學習5.1引言5.2神經網絡基礎5.3深度學習5.4深度神經網絡的典型結構5.5小結參考文獻010302040506第5章人工神經網絡和深度學習5.2.1神經元模型5.2.3深度神經網絡5.2.2淺層神經網絡5.2神經網絡基礎5.3.2深度網絡的學習方法5.3.1基本概念和形式5.3深度學習5.4.1深度置信網絡5.4.2自動編碼器與棧式自動編碼器5.4.3卷積神經網絡5.4.4循環(huán)神經網絡5.4.5生成式對抗網絡123455.4深度神經網絡的典型結構第6章語音壓縮編碼6.1引言6.2基于字典學習的語音信號壓縮感知6.3基于梅爾倒譜系數重構的語音壓縮編...6.4基于深度學習的語音壓縮編碼6.5小結參考文獻010302040506第6章語音壓縮編碼6.2.1語音信號的稀疏性6.2.2語音在常見變換域的稀疏化6.2.3基于K-L展開的語音非相干字...6.2.4基于K-L非相干字典的語音壓...6.2.5實驗仿真與性能分析123456.2基于字典學習的語音信號壓縮感知6.3.1基于梅爾倒譜分析的抗噪語音編...6.3.2基于稀疏約束的梅爾倒譜合成6.3.3梅爾倒譜系數的量化算法6.3.4實驗仿真與性能分析6.3基于梅爾倒譜系數重構的語音壓縮編...6.4.1基于DAE的幅度譜編碼和量化6.4.3實驗仿真與性能分析6.4.2基于DAE的低速率語音編碼6.4基于深度學習的語音壓縮編碼第7章語音增強7.1引言7.2語音增強技術基礎7.3基于非負矩陣分解的語音增強7.4基于深度學習的語音增強7.5小結參考文獻010302040506第7章語音增強7.2.1語音增強的估計參數7.2.3性能評價7.2.2智能語音增強的語音特征7.2語音增強技術基礎7.3.1基本模型7.3.3基于CNMF字典學習的語音增...7.3.2基于不相交約束非負矩陣分解的...7.3基于非負矩陣分解的語音增強7.4.2基于聽覺感知掩蔽的深度神經網...7.4.1基于聽覺感知加權的深度神經網...7.4基于深度學習的語音增強第8章語音轉換8.1引言8.2語音轉換基本原理8.3語音轉換模型與評價8.4基于非負矩陣分解的譜轉換第8章語音轉換8.5基于深度神經網絡的譜轉換參考文獻8.6小結第8章語音轉換8.3.1語音分析/合成模型8.3.2語音參數的選擇8.3.3時間對齊8.3.4轉換模型和規(guī)則8.3.5轉換性能評價123458.3語音轉換模型與評價8.4.1概述8.4.3聲道譜轉換效果8.4.2基于卷積非負矩陣分解的譜轉換8.4基于非負矩陣分解的譜轉換8.5.1深度學習驅動下的語音轉換8.5.3基于BLSTM和神經網絡聲碼...8.5.2面向譜轉換的神經網絡模型選擇8.5基于深度神經網絡的譜轉換第9章說話人識別9.1引言9.2說話人識別基礎9.3基于i-vector的說話人識別...9.4基于深度神經網絡的說話人識別第9章說話人識別9.5說話人識別系統(tǒng)的攻擊與防御參考文獻9.6小結第9章說話人識別9.2.2典型的說話人識別模型9.2.1說話人識別系統(tǒng)框架9.2說話人識別基礎9.3.1基于i-vector的說話人...9.3.3實驗結果與分析9.3.2用于提高i-vector魯棒...9.3基于i-vector的說話人識別...9.4.1基于深度神經網絡的說話人識別...9.4.3實驗結果與分析9.4.2基于對比度損失函數優(yōu)化說話人...9.4基于深度神經網絡的說話人識別9.5.1攻擊和防御的背景9.5.2說話人識別系統(tǒng)的攻擊方法9.5.3說話人識別攻擊的檢測方法9.5.4實驗結果與分析9.5說話人識別系統(tǒng)的攻擊與防御第10章骨導語音增強10.1引言10.2骨導語音增強基礎10.3基于長短時記憶網絡的骨導語音盲...10.4基于均衡-生成組合譜映射的骨導...10.5小結參考文獻010302040506第10章骨導語音增強10.2.1骨導語音的產生與特性10.2.3骨導語音盲增強的典型方法10.2.2骨導語音盲增強的特點10.2骨導語音增強基礎10.3.1骨導/氣導語音的譜映射10.3.3實驗仿真及性能分析10.3.2基于深度殘差BLSTM的骨...10.3基于長短時記憶網絡的骨導語音盲...10.4.1均衡法10.4.3實驗仿真及性能分析10.4.2