復雜環(huán)境下語音信號處理的深度學習方法

第1章 緒論
第2章 深度學習基礎
2．1 有監(jiān)督學習
2．2 單層神經(jīng)網(wǎng)絡
2．2．1 基本模型
2．2．2 激活函數(shù)
2．3 前饋深度神經(jīng)網(wǎng)絡
2．3．1 反向傳播算法
2．3．2 正則化
2．4 循環(huán)神經(jīng)網(wǎng)絡
2．4．1 循環(huán)神經(jīng)網(wǎng)絡基礎
2．4．2 長短時記憶網(wǎng)絡
2．4．3 門控循環(huán)神經(jīng)網(wǎng)絡
2．4．4 深層RNN結構
2．4．5 序列數(shù)據(jù)的RNN建?？蚣?br />2．5 卷積神經(jīng)網(wǎng)絡
2．5．1 卷積神經(jīng)網(wǎng)絡基礎
2．5．2 其他卷積形式
2．5．3 殘差神經(jīng)網(wǎng)絡
2．5．4 時序卷積網(wǎng)絡
2．6 神經(jīng)網(wǎng)絡中的歸-化
2．6．1 批歸-化
2．6．2 層歸-化
2．7 神經(jīng)網(wǎng)絡中的注意力機制
2．7．1 編碼器-解碼器框架
2．7．2 編碼器，注意力機制一解碼器框架
2．7．3 單調注意力機制
2．7．4 Transformer
2．8 生成對抗網(wǎng)絡
2．8．1 基本結構
2．8．2 模型訓練
2．9 本章小結
第3章 語音檢測
3．1 引言
3．2 基本知識
3．2．1 信號模型
3．2．2 評價指標
3．3 語音檢測模型
3．3．1 語音檢測模型的基本框架
3．3．2 基于深度置信網(wǎng)絡的語音檢測
3．3．3 基于降噪深度神經(jīng)網(wǎng)絡的語音檢測
3．3．4 基于多分辨率堆棧的語音檢測模型框架
3．4 語音檢測模型的損失函數(shù)
3．4．1 最小化交叉熵
3．4．2 最小均方誤差
3．4．3 最大化ROC曲線下面積
3．5 語音檢測的聲學特征
3．5．1 短時傅里葉變換的頻帶選擇
3．5．2 多分辨率類耳蝸頻譜特征
3．6 模型的泛化能力
3．7 本章小結
第4章 單通道語音增強
4．1 引言
4．2 基本知識
4．2．1 信號模型
4．2．2 評價指標
4．3 頻域語音增強
……
第5章 多通道語音增強
第6章 多說話人語音分離
第7章 聲紋識別
第8章 語音識別
參考文獻