一、一种有效的MVDR波束形成器（论文文献综述）
周毅,雷志勇,李品[1]（2021）在《一种改进的MVDR空间谱估计算法》文中研究说明针对MVDR波束形成器对导向矢量误差和干扰加噪声协方差矩阵误差敏感,容易引起空间谱估计性能下降甚至失效的问题,文中引入"畸变因子"对方向图畸变程度进行量化和归一化,在MVDR波束形成器基础上增加基于畸变因子的附加约束,并通过非线性最优化方法获得波束形成器的最优权矢量,进而实现稳健的MVDR空间谱估计。理论推导证明该方法本质上是将对角加载量进行自适应择优,不同于现有的其他方法,该方法不需要对导向矢量误差或采样误差做任何假设,具有很高的稳健性和实用性。
韩欣宇,吴鸣,张国昌,杨军,王晓桐[2]（2021）在《同心圆环阵列模态波束形成器设计》文中认为针对贝塞尔函数零点造成的模态波束形成器性能损失的问题,提出了基于均匀同心圆环阵列的模态波束形成器设计方法。从阵元域出发,建立了阵元域和圆谐波域之间的转换关系,推导了圆谐波域阵列信号处理表达式,其中重点推导了延时求和、最小方差无失真响应和多约束波束形成器的设计方法。理论证明了在平面各向同性噪声场中的基于同心环阵的圆谐波域最小方差无失真响应波束形成器等价于相位模式波束形成器。在该结论的基础上,综合考虑相位模式波束形成器在一定频率范围内的稳健性和指向性,提出了一种同心圆环阵列的内环半径优化方法。使用16元双环阵列对本文提出的波束形成算法进行仿真和实验,结果表明:同心圆环阵列能够较好地解决贝塞尔函数零点问题;其中多约束波束形成器能够在多个关联的性能指标之间取得合理的折衷,实现优于相位模式和延时求和波束形成器的声源定位性能。对内环半径优化方法进行仿真和分析结果表明,该方法得到了相较于传统方法更优的阵列结构。
郝翔[3]（2021）在《低信噪比与非平稳噪声下的语音增强研究》文中研究表明语音增强的目标是抑制噪声,增强期望的语音信号。基于信号处理的传统语音增强方法为了简化计算或获得解析解做了许多假设,在低信噪比与包含非平稳噪声的场景下会出现严重的性能下降。基于深度学习的语音增强方法具有强大的非线性映射能力,在拥有大量训练数据的前提下有望超过传统方法。目前,基于深度学习的主流增强方法通常将语音增强任务建模为全频带谱映射问题,间接忽视了语音增强领域过去几十年的经验积累。基于信号处理的传统语音增强方法通常以频域信号的平稳性差异,声源的方向性,以及语音与噪声的空间相关性差异等线索作为设计基石。作为对比,基于深度学习的语音增强方法一般基于谱模式（谐波）,以全频带频率特征作为分析对象。在本文,我们尝试在这二者之间建立桥梁。我们细致的分析了窄带、子带和全频带特征之间的关联与差异,并将传统语音增强方法的设计依据融入到基于深度学习的语音增强方法中。首先,本文提出了一个全频带和子频带融合模型FullSubNet来进行实时单通道语音增强,这里的全频带和子频带分别指全频带模型与子频带模型。全频带模型的输入和输出均为全频带谱特征,一次性处理全部频带。子频带模型逐频率处理各个频带,每次的输入为一个当前频带和几个相邻的上下文频带,输出为当前频带对应的目标估计。全频带模型能够捕捉全局（全频带）信息和远距离的跨频带相关性,但它难以对频域信号的平稳性建模,缺少处理局部谱模式的专注能力。子频带模型则正好相反,由于可获取的频率上下文有限,它善于捕捉频率方向上语音和噪声的平稳性差异与局部谱模式,但缺少建模全局信息和远距离跨频带相关性的能力。FullSubNet尝试将这两种迥异的模型结合在一起,并通过有效的联合训练来整合这两种模型各自的优势。另外,分组失活策略在这一章被提出以降低FullSubNet在训练时的显存消耗与计算量。最后,我们在开源的DNS挑战赛（INTERSPEECH2020）数据集上进行了一系列实验来验证FullSubNet的有效性与性能。之后,本文提出了一个包含两次融合的RNN波束形成器DFRNN-BF来进行帧级别的实时多通道语音增强。第一次特征融合发生在掩蔽估计阶段,我们引入一个窄带模型作为传统全频带掩蔽估计器的后滤波器。在多通道语音信号中,窄带的STFT系数沿着时间的变化过程除了可以反映频域信号的平稳性,还可以进一步反映语音的方向性,以及语音与噪声（包括混响）的空间相关性差异,进而提供与全频带特征互补的信息。第二次特征融合发生在波束形成阶段,我们使用一个非常轻量的神经网络来建模频率之间的关系,与后续的窄带RNN波束形成器进行融合。逐频带的RNN波束形成器可以利用单个频率上的信息,但是缺少频率之间的隐式约束（即全局信息）,我们有必要在这一阶段进行第二次融合。基于开源数据与私有的工业级数据,我们构建了一个非常具有挑战性的多通道语音增强数据集,并在该数据集上验证了DFRNN-BF的有效性与性能。
许蓉[4]（2021）在《风电叶片声辐射噪声特性分析与应用研究》文中研究指明由于环境问题日益严重,不可再生资源紧缺,如何高效利用风能发电成为了重要的研究内容。风力发电机作为风力发电的主要设备,多建造于海边、山峰等环境恶劣的地点,其叶片长期暴露于室外,极易出现损伤,且随着风力发电需求增大,机组叶片尺寸不断加大的同时,也增加了故障风险。机组叶片故障是风电机组安全稳定运行的主要威胁之一。本文基于叶片辐射噪声,对风机叶片故障检测问题,展开相关研究。为研究风力发电机机组中故障叶片与正常叶片辐射声信号的特性差异,本文基于COM-SOL Multiphysics仿真平台对风机叶片进行了仿真。仿真中发现,当叶片存在孔洞损伤时,故障叶片辐射声信号的能量要高于正常叶片辐射声信号。因此叶片辐射声信号能量的增加可以用来进行叶片早期故障预警。另外,故障叶片的固有频率也会出现下降,且下降幅度随着阶数增大而增大。有关声场指向性的仿真结果表明,叶尖所指方向的声压级最大,该方向可以认为是麦克风阵列放置的最佳方向。尽管数据采集与监视控制（Supervisory Control And Data Acquisition,SCADA）系统能够实现对风机的故障检测,但该系统尚未普及至所有风电场,且更适用于中后期故障检测。因此,本文提出一种基于无接触式麦克风阵列信号采集与空时联合处理的叶片故障检测方案。考虑到早期故障叶片辐射的异响信号较弱,利用信号波达方向（Direction Of Arrival,DOA）估计算法与波束形成算法增强接收信号的信噪比（Signal to Noise Ratio,SNR）。仿真与实验结果表明,对于本文中分析比较的各算法,基于稀疏贝叶斯学习（Sparse Bayesian Learning,SBL）的DOA估计算法与常规波束形成（Conventional Beamforming,CBF）算法结合能得到最优的信号增强性能。对于增强后信号,本文首先将时频分析与支持向量机（Support Vector Machine,SVM）相结合,来实现对叶片故障的检测。尽管基于SVM的检测框架表现出较好的检测性能,但人工特征提取仍有其局限性。而卷积神经网络（Convolutional Neural Networks,CNN）能够实现特征的自动提取。因此,本文提出一种基于卷积神经网络的分类算法,采用的网络结构参考Deep Complex Unet（DCUnet）,并将原网络结构中的反卷积层替换为全连接层实现分类。三地风电厂的实验结果验证了上述算法的有效性。
奚琦[5]（2021）在《基于盲源分离的自适应波束形成算法研究》文中指出自适应波束形成算法利用麦克风阵列接收到的多通道信号的时、空、频多样性来捕捉目标信号分量,抑制干扰与环境噪声,从而提取高质量的目标语音信号。其中,最小方差无失真响应（MVDR）自适应波束形成算法因其理论性能最优,而得到了广泛的应用。然而,在实际的多源动态复杂场景中,受麦克风阵列位置测量误差、信号理论传播模型失配、声源定位误差等不可避免的先验信息误差影响,MVDR波束形成器往往遭遇严重的性能恶化。因此,本文拟基于盲源分离思想,构建无需先验信息的自适应波束形成算法,显着提升波束形成器的实际应用性能;并针对多源混叠和动态场景突变等恶劣情况,提出基于聚类误差修正的系统实时性和鲁棒性优化策略,为算法在小型智能人机交互设备上的工程应用提供有效的解决方案。具体研究内容如下:（1）构建基于盲源分离的自适应波束形成算法,解决由不可预知的先验信息误差而造成的实际应用性能严重恶化问题。具体包括基于复高斯混合模型聚类的盲源分离算法、基于语音存在概率的非目标类协方差矩阵修正算法和基于协方差矩阵估计的目标导向矢量修正算法三部分。实验证明,在阵列、声源类型和声学环境未知的真实应用场景下,本算法显着提升了目标语音增强信干比。（2）针对声源移动、多源混叠和场景突变等复杂情况,构建基于聚类误差修正的系统实时性和鲁棒性优化策略。提出基于时间压缩的唤醒词间隔帧丢弃算法和基于区域扫描的信号帧实时标记算法来进行聚类初值优化,提出基于历史数据融合的实时样本补足方法和基于时间注意力的迭代参数融合策略来应对突发干扰。实验证明,波束形成器的输出信干比、实时性和鲁棒性均得到了有效提升。（3）构建基于自适应时频掩膜的信号后处理算法,进一步抑制背景噪声和解决由盲源聚类带来的信号分量白化问题。实验证明本算法有效提升了目标语音增强的白噪抑制比。综上所述,针对多源动态嘈杂场景中由不可避免的先验信息误差造成的语音增强性能严重恶化问题,本文提出基于盲源聚类的自适应波束形成算法,无需先验信息即可自适应修正目标导向矢量和协方差矩阵估计误差,显着提升波束形成器的实际应用性能;构建基于聚类误差修正的系统实时性和鲁棒性优化策略,有效改善声源移动、多源混叠和场景突变等复杂场景下的性能,为算法进行实际工程应用提供条件;构建基于自适应时频掩膜的信号后处理算法,改善背景噪声和信号白化问题。本文研究成果为小型实时语音增强系统实现提供了有力的理论和技术支撑。
朱训谕[6]（2021）在《基于深度学习的小尺度麦克风阵的语音增强研究》文中提出近年来,语音逐渐成为人机交互的重要手段之一。在室内,噪声和干扰,以及由墙壁和其他物体表面反射引起的混响是造成语音质量和可懂度下降的主要原因。由于混响和语音之间的高度相关性,抑制混响是增强语音的一项艰巨的挑战。噪声和干扰则使得室内语音增强问题更为复杂。风噪声具有和语音信号类似的非平稳特性,使得室外语音增强面临挑战。本文将深度学习用于室内及室外语音增强,此外,将阵处理与深度学习相结合,以增强多通道麦克风数据采集系统接收到的远程语音。本文提出一种联合波束形成和深度复数Unet网络（Combination of Beamforming and Deep Complex U-Net,BF-DCUnet）的深度神经网络架构,用于语音去混响。波束形成作为预处理模块,用于提高信噪比并抑制来自其它方向的干扰。通过集成频带提取模块和复数卷积操作,去混响性能进一步提升,同时利用异构卷积策略在保证去混响性能的情况下简化网络模型。基于THCHS-30语料,本文构造混响语音数据集用于BF-DCUnet模型训练和仿真测试,最后由多通道采集系统采集的混响语音数据验证BF-DCUnet的有效性。对于语音降噪任务,针对卷积神经网络无法有效估计期望语音信号相位的问题,本文提出了基于深度复数卷积神经网络和自我注意力机制（Deep Complex Convolution Recurrent Network with Self-attention,DCCRN-SA）的语音降噪算法,设计复数卷积和Dense块结合实现准确的相位估计,并通过自我注意力机制和复数长短期记忆单元（Long Short-Term Memory,LSTM）相结合实现对非平稳噪声的有效抑制。基于Libri Speech语料训练室内和室外场景性模型,DCCRN-SA在使用仿真数据和多通道麦克风数据采集系统接收的带噪语音数据的测试中表现良好。最后,语音增强系统基于Qt平台设计并搭建,该系统包含两个子系统:一个为用于语音去混响和降噪的室内语音增强;另一个为用于抑制风噪声的室外语音增强。系统的实时处理结果进一步验证了所提出的语音增强框架的有效性。
赵彬[7]（2021）在《基于深度学习的多通道语音增强方法研究》文中提出语音增强技术可以抑制噪声、提高语音的可懂度和感知质量,是重要的语音交互环节。随着多麦克风设备的普及,研究多通道语音增强算法变得越来越重要。传统多通道语音增强以波束形成算法为主,但在实际使用中由于无法准确估计参数,在一些场景中性能下降明显。近些年来,随着深度学习的快速发展,基于深度学习的多通道语音增强算法取得了非常好的效果。本文使用深度学习方法研究多通道语音增强问题,并针对深度学习方法的不足提出如下改进工作:（1）提出神经网络卷积求和波束形成器,本文将传统固定波束形成问题归纳为滤波器估计问题,将深度学习与传统波束形成框架相结合提高了语音增强任务的性能,通过深度神经网络估计滤波器的参数来实现多种波束形成算法;（2）提出端到端多通道语音增强网络,通过加入1×1卷积改善了当前基于波形映射的深度学习方法对多通道信息缺乏利用的问题;并通过对STOI损失函数加以改进,缓解了使用STOI作为损失函数时产生白噪声影响语音质量的问题。在CHi ME3数据集上与不同的方法进行对比,实验结果表明本文提出的两种改进方法相比广泛使用的传统方法或同类深度学习方法,在语音的可懂度以及感知质量上能够获得更好的效果。
孙思[8]（2021）在《角度失配条件下稳健自适应波束形成算法研究》文中进行了进一步梳理阵列信号处理是指通过传感器阵列接收空间信号,对其进行一定处理后获取有用信息,是信号处理领域中一个重要的研究分支。自适应阵列处理,目的是让接收数据经过相应处理后,能够自适应的调整阵元的权矢量,然后在感兴趣方位形成空间指向性,被普遍应用到雷达、通信导航、医学等领域。但是算法在实际应用时,复杂的环境中会存在各种误差源,如观察方向误差、阵元标定误差、通道幅值误差与相位误差等因素,造成来波方向存在误差,波束形成算法的输出信干噪比也会因此大幅降低。因此,如何提高角度失配条件下自适应波束形成算法的输出性能在近些年以来一直受到众多学者的关注和研究,也陆续出现了一系列的稳健波束形成算法。在一些算法当中,仍旧存在部分问题亟待解决。在此研究背景下,本文将围绕角度失配条件下的稳健波束形成算法展开研究。具体如下:本文首先阐述了自适应波束形成算法的基本理论和方法。其中详细介绍了阵列信号处理中,远场窄带信号在均匀线阵上的数学模型,波束形成算法的三大寻优准则,以及算法性能的相关评估指标。然后介绍了几种传统的波束形成算法,即常规波束形成（conventional beamforming,CBF）算法,最小方差无失真响应（minimum variance distortionless response,MVDR）算法以及MVDR算法实际应用时,采用的样本矩阵求逆（sample matrix inverse,SMI）算法,对每种算法的数学模型做了详细的公式推导,并用MATLAB软件进行了相应的仿真,分别设置不同的实验参数然后进行相关的仿真实验,对算法进行了总结和归纳。接着分析了导向矢量失配以及协方差矩阵失配对算法稳健性的影响,着重介绍了近些年针对导向矢量失配提出的几种经典的稳健自适应波束形成（robust adaptive beamforming,RAB）算法。实验分析表明,基于对角加载的RAB算法存在加载系数难以确定的问题。快拍数较低的时候,基于特征值进行子空间划分的RAB算法性能急剧下降。方向矢量误差范围较大时,针对其不确定程度建模的RAB算法性能欠佳。因此,本文从有限快拍和较大角度误差两方面入手,针对部分算法的缺陷,分析并提出了相应的改进方法。然后,针对SMI算法在低快拍数时存在高旁瓣和主波束图畸变的缺陷,本文研究了一种基于酉变换的改进SMI算法。SMI算法是MVDR波束形成器的实际实现,有限快拍导致样本协方差矩阵失配,噪声特征值因此不够稳定,此时SMI算法的波束响应旁瓣升高。本文提出的改进算法,通过酉变换技术对接收数据进行处理,快拍数得以扩展,同时数据也从复数转化成了实数值。仿真实验表明,所研究的算法在低快拍时有更快的收敛性和更好的输出性能。另一方面,针对实际环境中各种因素导致的角度失配情况,对期望信号来波区域进行幅值约束的稳健算法获得了广泛的应用,但是这类算法的旁瓣增益往往也比较高。在求取权矢量的过程中,如果接收数据中含有信号成分,方向矢量哪怕只有轻微失配,算法性能也会大大降低。因此本文提出了基于协方差矩阵重构的幅值约束算法。该算法对期望信号来波方向区域进行幅值约束,与此同时,结合子空间理论对导向矢量进行估计,然后利用估计的导向矢量和真实的导向矢量的相关性,找到协方差矩阵中期望信号的导向矢量及对应的信号特征值,并用平均噪声特征值代替,以此达到消除期望信号影响的目的。最后用MATLAB仿真软件对算法的各性能评估指标进行了验证分析,结果表明提出的改进算法具有很好的稳健性。
张小弩[9]（2021）在《FDA-MIMO雷达杂波抑制方法研究》文中提出频控阵（Frequency Diverse Array,FDA）技术已应用在雷达系统,近几年频控阵（FDA）雷达和多输入多输出（Multiple-Input Multiple-Output,MIMO）技术的结合作为一种新体制雷达被提出。FDA-MIMO雷达通过在发射阵元上附加了频率偏移,其发射域导向矢量具有距离相关性。利用这一特性,本文开展了基于FDA-MIMO雷达的杂波抑制方法研究,重点解决了最优频率偏移选取、稳健主瓣杂波抑制和距离模糊杂波抑制等关键问题。主要工作概括如下:1、推导了FDA-MIMO雷达的回波信号模型,分析了FDA-MIMO雷达体制下目标信号和杂波在发射-接收二维空间频率域的分布特性,建立了基于FDA-MIMO雷达体制的杂波抑制模型。2、针对固定频偏对传统频控阵雷达杂波抑制性能影响的问题,提出了基于加权模值和遗传算法的FDA-MIMO雷达最优频偏选取方法。在建立FDA-MIMO雷达回波信号模型的基础上,利用FDA体制下的空时距离建模方法,通过空间角度、距离和多普勒的综合信息进行自适应杂波抑制。仿真实验表明:通过最优频偏估计,使得FDA-MIMO雷达具有更好的杂波抑制效果。3、针对传统波束形成无法有效应对目标和杂波存在误差而造成空时自适应处理（STAP）方法性能下降的问题,提出了基于FDA-MIMO雷达的稳健STAP主瓣杂波抑制方法。利用半正定规划的鲁棒自适应波束形成（RAB-SDP）算法,建立了最优化目标函数模型,并通过求解半正定规划（SDP）问题得到最优权矢量。仿真实验表明:改进的RAB-SDP方法相比于最小方差无失真响应（MVDR）对角加载方法、传统线性约束最小方差（LCMV）方法和最差性能最优化（WCPO）方法在波束主瓣保形、输出信杂噪比以及二维响应杂波抑制性能方面有所提高。4、针对FDA雷达面临的距离模糊杂波问题,研究了基于FDA-MIMO雷达距离模糊杂波抑制方法。在建立FDA-MIMO体制下前视阵雷达信号模型的基础上,通过二次距离依赖补偿和多普勒补偿后使得距离模糊杂波能够有效分离,分别采用局域联合降维的方法和基于稀疏降维STAP的方法实现对距离模糊杂波的有效抑制。仿真实验表明:稀疏降维方法与局域联合降维方法相比具有更好的杂波抑制效果。
万成,郑成诗,厉剑,李晓东[10]（2021）在《均匀面阵降维克罗内科积导向最小方差波束形成方法》文中研究说明增加传声器阵元数在一定程度上可以提高最小方差无失真响应波束形成器的性能。然而,为了保证噪声协方差矩阵的估计精度,增加传声器所需要的快拍数也相应增加,同时需要对更高维度的矩阵求逆,这在一定程度上降低了算法的鲁棒性。为了解决上述问题,结合降维导向最小方差方法和克罗内科积运算,提出了一种降维克罗内科积导向最小方差波束形成方法,可以在保证语音质量的前提下有效提高降噪量和系统鲁棒性。仿真和实际实验结果表明,相比于现有的克罗内科积最小方差波束形成器,提出的方法具有更低的运算量及更好的鲁棒性。
二、一种有效的MVDR波束形成器（论文开题报告）
（1）论文研究背景及目的
此处内容要求：
首先简单简介论文所研究问题的基本概念和背景，再而简单明了地指出论文所要研究解决的具体问题，并提出你的论文准备的观点或解决方法。
写法范例：
本文主要提出一款精简64位RISC处理器存储管理单元结构并详细分析其设计过程。在该MMU结构中,TLB采用叁个分离的TLB,TLB采用基于内容查找的相联存储器并行查找,支持粗粒度为64KB和细粒度为4KB两种页面大小,采用多级分层页表结构映射地址空间,并详细论述了四级页表转换过程,TLB结构组织等。该MMU结构将作为该处理器存储系统实现的一个重要组成部分。
（2）本文研究方法
调查法：该方法是有目的、有系统的搜集有关研究对象的具体信息。
观察法：用自己的感官和辅助工具直接观察研究对象从而得到有关信息。
实验法：通过主支变革、控制研究对象来发现与确认事物间的因果关系。
文献研究法：通过调查文献来获得资料，从而全面的、正确的了解掌握研究方法。
实证研究法：依据现有的科学理论和实践的需要提出设计。
定性分析法：对研究对象进行“质”的方面的研究，这个方法需要计算的数据较少。
定量分析法：通过具体的数字，使人们对研究对象的认识进一步精确化。
跨学科研究法：运用多学科的理论、方法和成果从整体上对某一课题进行研究。
功能分析法：这是社会科学用来分析社会现象的一种方法，从某一功能出发研究多个方面的影响。
模拟法：通过创设一个与原型相似的模型来间接研究原型某种特性的一种形容方法。
三、一种有效的MVDR波束形成器（论文提纲范文）
（1）一种改进的MVDR空间谱估计算法（论文提纲范文）
| 0 引 言 |
| 1 MVDR空间谱估计数学模型 |
| 2 方向图畸变程度的量化与归一化 |
| 3 基于方向图畸变约束的稳健MVDR空间谱估计 |
| 4 数据实验 |
| 5 结束语 |
（3）低信噪比与非平稳噪声下的语音增强研究（论文提纲范文）
| 摘要 |
| ABSTRACT |
| 第一章 引言 |
| 1.1 研究背景与意义 |
| 1.2 国内外研究历史现状 |
| 1.3 本论文主要内容 |
| 第二章 声学基本元素 |
| 2.1 概述 |
| 2.2 自由场下的声音 |
| 2.3 障碍物对声音传播的影响 |
| 2.4 干扰类别分析 |
| 2.4.1 空间相干干扰 |
| 2.4.2 空间不相干干扰 |
| 2.4.3 散射噪声干扰 |
| 2.5 时域模型 |
| 2.6 频域模型 |
| 2.7 语音和噪声的稀疏性与平稳性差异 |
| 2.8 本章小结 |
| 第三章 基于深度学习的语音增强方法概述 |
| 3.1 概述 |
| 3.2 问题定义 |
| 3.3 基于深度学习的语音增强框架 |
| 3.3.1 时频掩蔽框架 |
| 3.3.2 基于神经网络的波束成形框架 |
| 3.4 特征 |
| 3.4.1 波形特征 |
| 3.4.2 谱特征 |
| 3.4.3 深度滤波器 |
| 3.5 序列建模 |
| 3.5.1 一维U-Net |
| 3.5.2 因果膨胀卷积 |
| 3.5.3 循环神经网络 |
| 3.5.4 卷积循环神经网络 |
| 3.5.5 自注意力网络 |
| 3.5.6 残差网络 |
| 3.6 时频掩蔽 |
| 3.6.1 概述 |
| 3.6.2 理想二值掩蔽 |
| 3.6.3 理想浮值掩蔽 |
| 3.6.4 复数理想浮值掩蔽 |
| 3.6.5 隐式时频掩蔽 |
| 3.7 波束形成器 |
| 3.7.1 多通道维纳滤波器 |
| 3.7.2 语音失真加权多通道维纳滤波 |
| 3.7.3 最小方差无畸变响应滤波器 |
| 3.8 损失函数 |
| 3.8.1 基于谱距离的损失函数 |
| 3.8.2 听感评价指标作为损失函数 |
| 3.9 客观评价指标 |
| 3.10 本章总结 |
| 第四章 融合全频带与子频带特征进行单通道语音增强 |
| 4.1 背景与动机介绍 |
| 4.1.1 全频带模型的特点 |
| 4.1.2 非全频带模型(子频带模型与窄带模型)的特点 |
| 4.1.3 融合全频带与子频带特征 |
| 4.2 方法 |
| 4.2.1 各阶段的输入 |
| 4.2.2 学习目标 |
| 4.2.3 模型架构 |
| 4.2.4 延迟输出机制 |
| 4.2.5 分组失活 |
| 4.3 实验配置 |
| 4.3.1 数据集与评价指标 |
| 4.3.2 实现 |
| 4.3.3 基线模型 |
| 4.4 实验结果 |
| 4.4.1 拓展频带数量对Full Sub Net性能的影响 |
| 4.4.2 分组失活的参数设置 |
| 4.4.3 与基线模型比较性能 |
| 4.4.4 与最新方法的比较 |
| 4.5 本章小结 |
| 第五章 基于RNN波束形成器的双重融合多通道语音增强模型 |
| 5.1 背景与动机介绍 |
| 5.1.1 掩蔽阶段的融合 |
| 5.1.2 波束形成阶段的融合 |
| 5.2 方法 |
| 5.2.1 基于掩蔽的波束形成器 |
| 5.2.2 基于RNN的波束形成器 |
| 5.2.3 掩蔽估计阶段的融合 |
| 5.2.4 波束形成阶段的融合 |
| 5.3 实验配置 |
| 5.3.1 数据集与评价指标 |
| 5.3.2 模型结构与声学配置 |
| 5.3.3 基线模型 |
| 5.4 实验结果分析 |
| 5.4.1 验证首次融合的有效性 |
| 5.4.2 验证第二次融合的有效性 |
| 5.4.3 与其他方法进行比较 |
| 5.5 本章小结 |
| 第六章 工作总结与未来工作 |
| 6.1 工作总结 |
| 6.2 未来工作 |
| 参考文献 |
| 致谢 |
| 攻读硕士学位期间发表的学术论文 |
（4）风电叶片声辐射噪声特性分析与应用研究（论文提纲范文）
| 致谢 |
| 摘要 |
| Abstract |
| 术语表 |
| 1 绪论 |
| 1.1 研究背景及意义 |
| 1.2 国内外研究现状 |
| 1.2.1 风机叶片噪声研究 |
| 1.2.2 风机故障检测 |
| 1.2.3 阵列处理 |
| 1.3 论文主要内容 |
| 2 风机叶片辐射噪声特性分析 |
| 2.1 风机叶片噪声机制 |
| 2.1.1 湍流噪声 |
| 2.1.2 湍流边界层后缘噪声 |
| 2.1.3 后缘钝度涡脱落噪声 |
| 2.1.4 层流边界层涡脱落噪声 |
| 2.1.5 尖端噪声 |
| 2.2 COMSOL建模 |
| 2.3 模型仿真与分析 |
| 2.3.1 固有频率 |
| 2.3.2 远场指向性 |
| 2.3.3 能量 |
| 2.4 本章小结 |
| 3 基于阵列处理的信号增强算法 |
| 3.1 常规波束形成 |
| 3.2 MVDR波束形成 |
| 3.3 MUSIC算法 |
| 3.4 稀疏贝叶斯学习算法 |
| 3.4.1 贝叶斯原理 |
| 3.4.2 稀疏贝叶斯学习 |
| 3.5 仿真与实验分析 |
| 3.5.1 DOA算法仿真 |
| 3.5.2 实验数据采集 |
| 3.5.3 实验数据处理与分析 |
| 3.6 本章小结 |
| 4 基于支持向量机的叶片故障检测 |
| 4.1 能量特征 |
| 4.1.1 短时傅里叶变换 |
| 4.1.2 能量周期性 |
| 4.2 循环调制谱 |
| 4.2.1 循环平稳信号 |
| 4.2.2 谱相关函数 |
| 4.2.3 循环调制谱及其优化 |
| 4.3 支持向量机 |
| 4.3.1 SVM最优化问题 |
| 4.3.2 交叉验证 |
| 4.4 实验结果与分析 |
| 4.5 本章小结 |
| 5 基于卷积神经网络的叶片故障检测 |
| 5.1 卷积神经网络 |
| 5.1.1 卷积层 |
| 5.1.2 池化层 |
| 5.1.3 激活函数 |
| 5.1.4 全连接层 |
| 5.1.5 反向传播 |
| 5.2 网络结构 |
| 5.3 实验结果与分析 |
| 5.3.1 CNN故障检测实验结果与分析 |
| 5.3.2 CNN故障分类实验结果与分析 |
| 5.4 本章小结 |
| 6 总结和展望 |
| 6.1 研究总结 |
| 6.2 研究方向展望 |
| 参考文献 |
| 作者简历及在攻读硕士学位期间所取得的研究成果 |
（5）基于盲源分离的自适应波束形成算法研究（论文提纲范文）
| 致谢 |
| 摘要 |
| ABSTRACT |
| 1 引言 |
| 1.1 研究背景及意义 |
| 1.2 国内外研究现状 |
| 1.2.1 传统自适应波束形成算法 |
| 1.2.2 改进的自适应波束形成算法 |
| 1.2.3 盲源分离算法研究现状 |
| 1.3 研究目标与内容 |
| 1.4 论文结构安排 |
| 2 自适应波束形成算法基础 |
| 2.1 多通道语音增强算法建模 |
| 2.2 自适应波束形成算法 |
| 2.3 语音增强性能评价指标 |
| 2.3.1 主观评价指标 |
| 2.3.2 客观评价指标 |
| 2.4 本章小结 |
| 3 基于盲源分离的自适应波束形成算法 |
| 3.1 MVDR实际性能恶化成因分析 |
| 3.1.1 导向矢量估计误差影响 |
| 3.1.2 协方差矩阵估计误差影响 |
| 3.2 基于复高斯混合模型的盲信号分离 |
| 3.2.1 多源混合信号统计建模 |
| 3.2.2 多源聚类参数盲估计 |
| 3.3 基于盲源分离的自适应波束形成算法构建 |
| 3.3.1 协方差矩阵误差修正模块 |
| 3.3.2 导向矢量误差修正模块 |
| 3.4 实验设计及结果分析 |
| 3.4.1 场景设计与数据采集 |
| 3.4.2 实验结果分析 |
| 3.5 本章小结 |
| 4 基于聚类误差修正的系统实时性鲁棒性优化策略 |
| 4.1 基于聚类误差修正算法的系统优化策略构建 |
| 4.2 基于历史数据存储的实时样本补足方法 |
| 4.3 基于语音端点检测的聚类初值优化方法 |
| 4.3.1 基于时间压缩的唤醒词间隔帧丢弃算法 |
| 4.3.2 基于区域扫描的信号帧实时标记算法 |
| 4.4 基于时间注意力的迭代参数融合策略 |
| 4.4.1 基于时间注意力的目标导向矢量估计误差修正 |
| 4.4.2 基于时间注意力的协方差矩阵估计误差修正 |
| 4.5 实验设计及结果分析 |
| 4.5.1 场景设计与数据采集 |
| 4.5.2 实验结果分析 |
| 4.6 本章小结 |
| 5 基于自适应时频掩膜的信号后处理算法 |
| 5.1 基于自适应时频掩膜的信号后处理框架设计 |
| 5.2 基于自适应时频掩膜的噪声频谱估计算法构建 |
| 5.2.1 基于IMCRA的噪声频谱估计 |
| 5.2.2 基于OMLSA的目标频谱估计 |
| 5.3 实验结果分析 |
| 5.3.1 场景设计与数据采集 |
| 5.3.2 实验结果及分析 |
| 5.4 本章小结 |
| 6 结论 |
| 参考文献 |
| 作者简历及攻读硕士学位期间取得的研究成果 |
| 学位论文数据集 |
（6）基于深度学习的小尺度麦克风阵的语音增强研究（论文提纲范文）
| 致谢 |
| 摘要 |
| Abstract |
| 缩写、符号清单、术语表 |
| 1 绪论 |
| 1.1 研究背景及立题意义 |
| 1.2 国内外研究现状 |
| 1.2.1 传统语音增强 |
| 1.2.2 基于深度学习的语音增强 |
| 1.2.3 深度学习与多通道联合处理 |
| 1.3 主要研究工作 |
| 1.3.1 研究内容 |
| 1.3.2 本文章节安排 |
| 2 混响环境下的语音处理基础 |
| 2.1 噪声统计特性 |
| 2.2 室内混响建模 |
| 2.3 深度学习相关理论 |
| 2.3.1 特征提取 |
| 2.3.2 卷积神经网络 |
| 2.3.3 循环神经网络 |
| 2.3.4 训练目标 |
| 2.4 客观质量和语音可懂度 |
| 2.4.1 语音混响调制能量比 |
| 2.4.2 语音感知质量评估 |
| 2.4.3 信号失真比 |
| 2.4.4 短时客观可懂度 |
| 2.5 数据集构造 |
| 2.5.1 THCHS-30 |
| 2.5.2 LibriSpeech |
| 2.5.3 噪声库 |
| 2.5.4 镜像源法 |
| 2.5.5 多通道人工风噪声生成器 |
| 2.6 小结 |
| 3 波束形成和深度复数Unet网络联合抑制混响处理 |
| 3.1 深度复数Unet网络 |
| 3.2 MVDR波束形成 |
| 3.3 BF-DCUnet |
| 3.3.1 波束形成预处理 |
| 3.3.2 非对称深度复数Unet网络 |
| 3.3.3 异构卷积 |
| 3.4 其它去混响算法 |
| 3.4.1 基于深度神经网络的加权预测误差算法 |
| 3.4.2 全卷积网络 |
| 3.5 仿真实验 |
| 3.5.1 实验设置 |
| 3.5.2 数据集描述 |
| 3.5.3 结果分析 |
| 3.5.4 性能比较 |
| 3.5.5 宽容性评估 |
| 3.6 实验数据分析 |
| 3.7 小结 |
| 4 基于深度复数卷积循环神经网络的语音降噪 |
| 4.1 卷积循环神经网络和自我注意力机制联合处理 |
| 4.1.1 时频特征提取模块 |
| 4.1.2 复数卷积模块 |
| 4.1.3 复数LSTM |
| 4.1.4 自我注意力机制模块 |
| 4.2 其它语音降噪算法 |
| 4.2.1 时域音频分离网络 |
| 4.2.2 时间卷积神经网络 |
| 4.3 室内降噪 |
| 4.3.1 仿真实验 |
| 4.3.2 实验数据分析 |
| 4.4 室外风噪声抑制 |
| 4.4.1 仿真实验 |
| 4.4.2 实验数据分析 |
| 4.5 小结 |
| 5 语音增强系统 |
| 5.1 系统设计 |
| 5.2 系统验证 |
| 5.2.1 软硬件配置 |
| 5.2.2 算法评估 |
| 5.3 小结 |
| 6 总结与展望 |
| 6.1 研究总结 |
| 6.2 未来展望 |
| 参考文献 |
| 作者简历 |
| 攻读硕士学位期间的研究成果 |
（7）基于深度学习的多通道语音增强方法研究（论文提纲范文）
| 摘要 |
| ABSTRACT |
| 第一章 绪论 |
| 1.1 研究背景及意义 |
| 1.2 国内外研究现状 |
| 1.3 本文研究内容和结构安排 |
| 第二章 多通道语音增强基础 |
| 2.1 麦克风阵列信号处理基础 |
| 2.1.1 带噪语音模型 |
| 2.1.2 麦克风阵列结构 |
| 2.1.3 远场模型与近场模型 |
| 2.2 传统多通道语音增强方法 |
| 2.2.1 延迟求和波束形成器(DSB) |
| 2.2.2 最小方差无失真响应波束形成器(MVDR) |
| 2.3 基于深度学习的多通道语音增强方法 |
| 2.3.1 使用DNN估计波束形成器参数 |
| 2.3.2 使用DNN替换传统算法模块 |
| 2.3.3 使用DNN估计纯净语音或掩蔽 |
| 2.4 语音评价指标 |
| 2.4.1 主观评价指标 |
| 2.4.2 客观评价指标 |
| 2.5 本章小结 |
| 第三章 神经网络卷积求和波束形成器 |
| 3.1 固定波束形成算法概述 |
| 3.2 卷积求和波束形成网络 |
| 3.3 实验结果与分析 |
| 3.3.1 实验数据生成 |
| 3.3.2 训练参数设置 |
| 3.3.3 神经网络波束形成器 |
| 3.3.4 结果与分析 |
| 3.4 本章小结 |
| 第四章 端到端多通道语音增强网络 |
| 4.1 模型结构概述 |
| 4.1.1 1×1 卷积 |
| 4.1.2 转置卷积 |
| 4.1.3 端到端时域语音增强网络 |
| 4.2 损失函数 |
| 4.2.1 损失函数与评价指标不匹配现象 |
| 4.2.2 STOI损失 |
| 4.2.3 组合损失 |
| 4.3 实验结果与分析 |
| 4.3.1 实验数据 |
| 4.3.2 模型参数设置 |
| 4.3.3 损失函数配置 |
| 4.3.4 结果与分析 |
| 4.4 本章小结 |
| 第五章 总结与展望 |
| 5.1 全文总结 |
| 5.2 未来工作展望 |
| 参考文献 |
| 致谢 |
| 硕士期间学术成果 |
（8）角度失配条件下稳健自适应波束形成算法研究（论文提纲范文）
| 摘要 |
| abstract |
| 1 绪论 |
| 1.1 课题研究背景及意义 |
| 1.2 国内外研究进展及现状 |
| 1.3 本文研究内容及结构安排 |
| 2 波束形成算法理论基础 |
| 2.1 引言 |
| 2.2 自适应阵列处理的数学模型 |
| 2.3 算法的优化准则 |
| 2.3.1 最大输出信噪比准则 |
| 2.3.2 最小均方误差准则 |
| 2.3.3 最小噪声方差准则 |
| 2.4 传统波束形成算法 |
| 2.4.1 算法的数学模型及推导过程 |
| 2.4.2 算法性能的度量指标 |
| 2.4.3 算法仿真及性能分析 |
| 2.5 本章小结 |
| 3 传统稳健自适应波束形成 |
| 3.1 引言 |
| 3.2 算法稳健性影响因素 |
| 3.2.1 导向矢量失配对波束性能的影响 |
| 3.2.2 协方差矩阵失配对波束性能的影响 |
| 3.3 稳健波束形成算法 |
| 3.3.1 基于对角加载的RAB算法 |
| 3.3.2 基于特征子空间的 RAB 算法 |
| 3.3.3 基于导向矢量不确定集的RAB算法 |
| 3.4 算法仿真及性能分析 |
| 3.4.1 不同加载噪声级 LNR 和信噪比 SNR 对 LSMI 方法性能的影响 |
| 3.4.2 不同输入SNR对 ESB算法性能的影响 |
| 3.4.3 不同误差范数约束对WCPO算法性能的影响 |
| 3.5 本章小结 |
| 4 角度失配条件下稳健自适应波束形成算法 |
| 4.1 引言 |
| 4.2 基于酉变换的改进SMI算法 |
| 4.2.1 酉变换技术基本理论 |
| 4.2.2 算法仿真及分析 |
| 4.3 基于数据协方差矩阵重构的幅值约束算法 |
| 4.3.1 幅值约束算法 |
| 4.3.2 基于数据协方差矩阵重构的改进幅值约束算法 |
| 4.3.3 算法仿真及分析 |
| 4.4 本章小结 |
| 5 总结与展望 |
| 5.1 总结 |
| 5.2 展望 |
| 参考文献 |
| 硕士期间科研成果 |
| 致谢 |
（9）FDA-MIMO雷达杂波抑制方法研究（论文提纲范文）
| 摘要 |
| abstract |
| 第一章 绪论 |
| 1.1 研究背景与意义 |
| 1.2 国内外研究现状 |
| 1.2.1 频控阵波束形成 |
| 1.2.2 频控阵雷达杂波抑制方法 |
| 1.2.3 频控阵雷达试验 |
| 1.3 本论文的结构安排 |
| 第二章 基于最优频偏估计的FDA-MIMO雷达杂波抑制方法 |
| 2.1 引言 |
| 2.2 FDA-MIMO雷达信号模型 |
| 2.3 基于最优频偏估计的FDA-MIMO雷达杂波抑制方法 |
| 2.3.1 FDA-MIMO雷达回波信号建模 |
| 2.3.2 基于MVDR波束形成的杂波分析 |
| 2.3.3 基于遗传算法的最优频偏估计方法 |
| 2.4 仿真验证与分析 |
| 2.5 本章小结 |
| 第三章 FDA-MIMO雷达稳健STAP主瓣杂波抑制方法 |
| 3.1 引言 |
| 3.2 FDA-MIMO雷达的波束形成方法 |
| 3.2.1 MVDR对角加载技术 |
| 3.2.2 线性约束最小方差(LCMV)波束形成器 |
| 3.2.3 最差性能最优化(WCPO)方法 |
| 3.3 基于FDA-MIMO雷达的稳健STAP主瓣杂波抑制方法 |
| 3.4 仿真验证与分析 |
| 3.4.1 波束形成方向图 |
| 3.4.2 输出信杂噪比性能 |
| 3.4.3 STAP二维响应杂波抑制性能 |
| 3.5 本章小结 |
| 第四章 FDA-MIMO雷达距离模糊杂波抑制方法 |
| 4.1 引言 |
| 4.2 前视阵FDA-MIMO雷达回波信号建模 |
| 4.3 FDA-MIMO雷达距离模糊杂波抑制方法 |
| 4.3.1 局域联合降维处理 |
| 4.3.2 稀疏降维处理 |
| 4.4 仿真验证与分析 |
| 4.4.1 距离补偿前后的杂波谱 |
| 4.4.2 杂波抑制效果 |
| 4.4.3 杂波抑制性能 |
| 4.5 本章小结 |
| 第五章 全文总结与展望 |
| 5.1 全文总结 |
| 5.2 后续工作展望 |
| 致谢 |
| 参考文献 |
| 攻读硕士学位期间取得的成果 |
四、一种有效的MVDR波束形成器（论文参考文献）
- [1]一种改进的MVDR空间谱估计算法[J]. 周毅,雷志勇,李品. 现代雷达, 2021(10)
- [2]同心圆环阵列模态波束形成器设计[J]. 韩欣宇,吴鸣,张国昌,杨军,王晓桐. 声学学报, 2021(04)
- [3]低信噪比与非平稳噪声下的语音增强研究[D]. 郝翔. 内蒙古大学, 2021(12)
- [4]风电叶片声辐射噪声特性分析与应用研究[D]. 许蓉. 浙江大学, 2021(01)
- [5]基于盲源分离的自适应波束形成算法研究[D]. 奚琦. 北京交通大学, 2021
- [6]基于深度学习的小尺度麦克风阵的语音增强研究[D]. 朱训谕. 浙江大学, 2021(01)
- [7]基于深度学习的多通道语音增强方法研究[D]. 赵彬. 内蒙古大学, 2021(12)
- [8]角度失配条件下稳健自适应波束形成算法研究[D]. 孙思. 海南大学, 2021(12)
- [9]FDA-MIMO雷达杂波抑制方法研究[D]. 张小弩. 电子科技大学, 2021(01)
- [10]均匀面阵降维克罗内科积导向最小方差波束形成方法[A]. 万成,郑成诗,厉剑,李晓东. 第十四届全国信号和智能信息处理与应用学术会议论文集, 2021