語音信號處理

  第1章  緒論
  第2章  語音信號處理的基礎(chǔ)知識
    2.1  概述
    2．2  語音和語言
    2．3  漢語語音學
    2．3．1  漢語語音的特點
    2．3．2  漢語的拼音方法
    2．3．3  漢語音節(jié)的一般結(jié)構(gòu)
    2．3．4  漢語聲母的結(jié)構(gòu)
    2．3．5  漢語韻母的結(jié)構(gòu)
    2．3．6  聲母和韻母的相互作用音征互載
    2．3．7  漢語的聲調(diào)
    2．4  語音生成系統(tǒng)和語音感知系統(tǒng)
    2．4．1  語音發(fā)音系統(tǒng)
    2．4．2  語音聽覺系統(tǒng)
    2. 5  語音信號生成的數(shù)學模型
    2．5．1  激勵模型
    2．5．2  聲道模型
    2．5．3  輻射模型
    2．5．4  語音信號的數(shù)學模型
    2．6  語音信號的特性分析
    2．6．1  語音信號的時域波形和頻譜特性
    2．6．2  語音信號的語譜圖
    2．6．3  語音信號的統(tǒng)計特性思考與復(fù)習題
  第3章  語音信號分析
    3．1  概述
    3．2  語音信號的數(shù)字化和預(yù)處理
    3．2．1  預(yù)濾波、采樣、A/D變換
    3．2．2  預(yù)處理
    3．3  語音信號的時域分析
    3．3．1  短時能量及短時平均幅度分析
    3．3．2  短時過零率分析
    3．3．3  短時才目關(guān)分析
    3．3．4  短時平均幅度差函數(shù)
    3．4  語音信號的頻域分析
    3．4．1  利用短時傅里葉變換求語音的短時譜
    3．4．2  語音的短時譜的臨界帶特征矢量
    3．5  語音信號的倒譜分析
    3．5．1  同態(tài)信號處理的基本原理
    3．5．2  復(fù)倒譜和倒譜
    3．5．3  語音信號兩個卷積分量的復(fù)倒譜
    3．5．4  復(fù)倒譜分析中的相位卷繞及避免相位卷繞的算法
    3．5．5  語音信號倒譜分析實例
    3．6  語音信號的線性預(yù)測分析
    3．6．1  線性預(yù)測分析的基本原理
    3．6．2  線性預(yù)測方程組的求解
    3．6．3  LPC譜估計和LPC復(fù)倒譜
    3．6．4  線譜對(LSP)分析
    3．7  基音周期估計
    3．7．1  自豐目關(guān)法
    3．7．2  平均幅度差函數(shù)法(AMDF)
    3．7．3  并行處理技術(shù)(PPROC)方法
    3．7．4  倒譜(CEP)法
    3．7．5  簡化逆濾波法(SLFT)
    3．7．6  小波變換法
    3．7．7  基音檢測的后處理
    3．8  共振峰估計
    3．8．1  帶通濾波器組法
    3．8．2  倒譜法
    3．8．3  LPC法
    思考與復(fù)習題
  第4章  矢量量化技術(shù)(VQ)
    4．1  概述
    4．2  矢量量化的基本原理
    4．3  矢量量化的失真測度
    4．3．1  歐氏距離測度
    4．3．2  線性預(yù)測失真測度
    4．3．3  識別失真測度
    4．4  矢量量化器的最佳碼本設(shè)計
    4．4．1  BG算法
    4．4．2  初始碼本的生成
    4．5  矢量量化技術(shù)的優(yōu)化設(shè)計
    4．5．1  無記憶的矢量量化系統(tǒng)
    4．5．2  有記憶的矢量量化系統(tǒng)
    4．5．3  模糊矢量量化(FuzzyVQ)
    4．5．4  遺傳算法優(yōu)化碼本GAVQ算法
    思考與復(fù)習題
  第5章  隱馬爾可夫模型(HMM)
    5．1  概述
    5．2  隱馬爾可夫模型的引入
    5．3  隱馬爾可夫模型的定義
    5．3．1  離散Markov過程
    5．3．2  隱Markov模型
    5．3．3  HMM的基本元素
    5．4  隱馬爾可夫模型的基本算法
    5．4．1  前向后向算法
    5．4．2  維特比(Viterbi)算法
    5．4．3  Baum-Welch算法
    5．5  隱馬爾可夫模型的各種結(jié)構(gòu)類型
    5．5．1  按照HMM的狀態(tài)轉(zhuǎn)移概率矩陣(A參數(shù))分類
    5．5．2  按照HMM的輸出概率分布(月參數(shù))分類
    5．5．3  其他一些特殊的HMM的形式
    5．6  隱馬爾可夫模型的一些實際問題
    5．6．1  下溢問題
    5．6．2  參數(shù)的初始化問題 
    5．6．3  提高HMM描述語音動態(tài)特性的能力
    5．6．4  HMM訓練方法的改進
    5．6．5  直接利用狀態(tài)持續(xù)時間分布概率的HMM系統(tǒng)
  思考與復(fù)習題
  第6章  人工神經(jīng)網(wǎng)絡(luò)初步
    6．1  概述
    6．2  人工神經(jīng)網(wǎng)絡(luò)簡介
    6．3  人工神經(jīng)網(wǎng)絡(luò)的構(gòu)成
    6．3．1  神經(jīng)元
    6，3．2  神經(jīng)元的學習算法
    6．3．3  網(wǎng)絡(luò)拓撲
    6．3．4  網(wǎng)絡(luò)的學習算法
    6．4  幾種用于模式識別的神經(jīng)網(wǎng)絡(luò)模型及其主要算法
    6．4．1  單層感知器
    6．4．2  雙2 雙層感知器
    6．4．3  多層感知器
    6．4．4  徑向基函數(shù)神經(jīng)網(wǎng)絡(luò)的分類特性
    6．4．5  自組織特征映射模型
    6．4．6  時延神經(jīng)網(wǎng)絡(luò)
    6．4．7  循環(huán)神經(jīng)網(wǎng)絡(luò)
    6．5  用神經(jīng)網(wǎng)絡(luò)進行模式識別的典型做法
    6，5．1  多輸出型
    6．5．2  單輸出型
    6．6  人工神經(jīng)網(wǎng)絡(luò)模型的應(yīng)用舉例
  思考與復(fù)習題
  第7章  語音編碼
    7．1  概述   
    7．2  語音信號壓縮編碼的原理和壓縮系統(tǒng)評價
    7．2．1  語音壓縮的基本原理
    7．2．2  語音編碼的關(guān)鍵技術(shù)
    7．2．3  語音壓縮系統(tǒng)的性能指標和評測方法
    7．3  語音信號的波形編碼
    7．3．1  脈沖編碼調(diào)制(POM)
    7．3．2  自適應(yīng)預(yù)測編碼(APC)
    7．3．3  自適應(yīng)增量調(diào)制(ADM)和自適應(yīng)差分脈沖編碼調(diào)制(ADPCM)
    7．3．4  子帶編碼(SBC)
    7．3．5  自適應(yīng)變換編碼(ATC)
    7，4  語音信號的參數(shù)編碼
    7．4．1  線性預(yù)測聲碼器
    7．4．2  LPC-10編碼器
    7．5  語音信號的混合編碼
    7．6  現(xiàn)代通信中的語音信號編碼方法
    7．6．1  EVRC算法基本原理
    7．6．2 EVRC算法概述
   思考與復(fù)習題
  第8章  語音合成
    8．1  概述
    8．2  共振峰合成法
    8．3  線性預(yù)測合成法
    8．4  語音合成專用硬件簡介
    8．5  PSOLA算法合成語音
    8．6  文語轉(zhuǎn)換系統(tǒng)(丌S)
    8．6．1  文語轉(zhuǎn)換系統(tǒng)的組成
    8．6．2  連讀語音的韻律特性
    8．6．3  文本分析方法
    8．6．4  語音合成方法
    8．6．5  語音合成中的韻律控制
    思考與復(fù)習題
  第9章  語音識別
    9．1  概述
    9．2  語音識別原理和識別系統(tǒng)的組成
    9．2．1  預(yù)處理和參數(shù)分析
    9．2．2  語音識別
    9．2．3  語音識別系統(tǒng)的基本數(shù)據(jù)庫
    9．3  動態(tài)時間規(guī)整(DrW)
    9．4  孤立字(詞)識別系統(tǒng)
    9．4．1  基于MQl)F的漢語塞音語音識別系統(tǒng)
    9．4．2  基于概率尺度DP識別方法的孤立字(詞)識別系統(tǒng)
    9．5  連續(xù)語音識別系統(tǒng)
    9．6  連續(xù)語音識別系統(tǒng)的性能評測
    9．6．1  連續(xù)語音識別系統(tǒng)的評測方法以及系統(tǒng)復(fù)雜性和識別能力的測度
    9．6．2  綜合評估連續(xù)語音識別系統(tǒng)時需要考慮的其他因素
  思考與復(fù)習題
  第10章  說話人識別與語種辨識
    10．1  概述
    10．2  說話人識別方法和系統(tǒng)結(jié)構(gòu)
    10．2．1  預(yù)處理
    10．2．2  說話人識別特征的選取
    10．2．3  特征參量評價方法
    10．2．4  模式匹配方法
    10．2．5  說話人識別中判別方法和閾值的選擇
    10．2．6  說話人識別系統(tǒng)的評價
    10．3  應(yīng)用DTW的說話人確認系統(tǒng)
    10．4  應(yīng)用VQ的說話人識別系統(tǒng)
    10．5  應(yīng)用HMM的說話人識別系統(tǒng)
    10．5．1  基于HMM的與文本有關(guān)的說話人識別
    10．5．2  基于HMM的與文本無關(guān)的說話人識別  
    10．5．3  基于HMM的指定文本型說話人識別
    10．5．4  說話人識別HMM的學習方法
    10．5．5  魯棒的HMM說話人識別技術(shù)
    10．6  應(yīng)用GMM的說話人識別系統(tǒng)
    10．6．1  GMM模型的基本概念
    10．6. 2  GMM模型的參數(shù)估計
    10．6．3  訓練數(shù)據(jù)不充分的問題
    10．6．4  GMM模型的識別問題
    10．7  說話人識別中尚需進一步探索的研究課題
    10．8  語種辨識的原理和應(yīng)用
    10．8．1  語種辨識的基本原理和方法
    10．8．2  語種辨識的應(yīng)用領(lǐng)域
  思考與復(fù)習題
  第11章  語音信號中的情感信息處理
    11．1  概述
    11．2  語音信號中的情感分類和情感特征分析
    11．2．1  情感的分類
    11．2．2  情感特征分析
    11．3  語音情感識別方法
    11．3．1  主元分析法(PCA)
    11．3．2  神經(jīng)網(wǎng)絡(luò)方法(ANN)
    11．3．3  混合高斯模型法(GMM)
    11．4  情感語音的合成
    11．5  今后的研究方向
  思考與復(fù)習題
  第12章  語音增強
    12．1  概述
    12．2  語音特性、人耳感知特性及噪聲特性
    12．2．1  語音特性
    12．2．2  人耳感知特性
    12．2．3  噪聲特性
    12．3  濾波法語音增強技術(shù)
    12．3．1  陷波器法  
    12．3．2  自適應(yīng)濾波器
    12．4  利用相關(guān)特性的語音增強技術(shù)
    12．4．1  自相關(guān)處理抗噪法語音增強技術(shù)
    12．4．2  利用復(fù)數(shù)幀段主分量特征的降噪方法
    12．5  非線性處理法語音增強技術(shù)
    12．5．1  中心削波法同態(tài)濾波法
    12．6  減譜法語音增強技術(shù)
    12．6．1  基本原理
    12．6．2  基本減譜法的改進
    12．7  利用Weiner濾波法的語音增強技術(shù)
    12．7．1  基本原理
    12．7．2 Weiner濾波的改進形式
思考與復(fù)習題
   附錄A  語音信號LPC美爾倒譜系數(shù)(LPCMCC)分析程序
   附錄B  利用HMM的孤立宇(詞)語音識別程序
   附錄C  漢英名詞術(shù)語對照參考文獻