电动剃须刀音频质量检测方法的研究
| 摘要 | 第4-5页 |
| Abstract | 第5页 |
| 第1章 绪论 | 第8-14页 |
| 1.1 课题来源背景及研究的目的和意义 | 第8-9页 |
| 1.2 国内外研究现状及分析 | 第9-12页 |
| 1.2.1 故障诊断的研究现状 | 第9页 |
| 1.2.2 音频分类的研究现状 | 第9-11页 |
| 1.2.3 音频分类面临的问题 | 第11-12页 |
| 1.3 本文主要研究内容与结构 | 第12-14页 |
| 第2章 音频信号预处理 | 第14-23页 |
| 2.1 引言 | 第14页 |
| 2.2 基于小波包变换的音频信号预处理 | 第14-19页 |
| 2.2.1 小波包定义 | 第15页 |
| 2.2.2 小波包函数的两种正交性质 | 第15-16页 |
| 2.2.3 小波空间的小波包分割 | 第16-17页 |
| 2.2.4 小波变换和小波包变换的比较 | 第17-18页 |
| 2.2.5 小波包算法 | 第18-19页 |
| 2.2.6 最优小波包基的选择 | 第19页 |
| 2.3 音频信号分类评价标准 | 第19页 |
| 2.4 小波包预处理实验的结果及分析 | 第19-22页 |
| 2.5 本章小结 | 第22-23页 |
| 第3章 音频特征选择与提取 | 第23-35页 |
| 3.1 引言 | 第23页 |
| 3.2 基于帧的音频特征 | 第23-28页 |
| 3.2.1 时域特征 | 第24-25页 |
| 3.2.2 频域特征 | 第25-28页 |
| 3.3 基于段的音频特征 | 第28-30页 |
| 3.4 音频特征提取的实验结果与分析 | 第30-34页 |
| 3.4.1 子带能量分布特征提取及结果分析 | 第31-32页 |
| 3.4.2 MFCC 系数提取及结果分析 | 第32-34页 |
| 3.5 本章小结 | 第34-35页 |
| 第4章 基于 SVM 的电动剃须刀音频分类 | 第35-49页 |
| 4.1 引言 | 第35页 |
| 4.2 常用的分类方法 | 第35-37页 |
| 4.2.1 最小距离法 | 第35-36页 |
| 4.2.2 决策树法 | 第36页 |
| 4.2.3 神经网络法 | 第36-37页 |
| 4.2.4 高斯混合模型法 | 第37页 |
| 4.2.5 隐马尔可夫模型法 | 第37页 |
| 4.2.6 支持向量机法 | 第37页 |
| 4.3 基于支持向量机的音频分类器设计 | 第37-44页 |
| 4.3.1 统计学习理论 | 第38-39页 |
| 4.3.2 支持向量机的基本原理 | 第39-44页 |
| 4.4 支持向量机的分类框架 | 第44页 |
| 4.5 音频信号分类实验结果 | 第44-48页 |
| 4.6 本章小结 | 第48-49页 |
| 结论 | 第49-51页 |
| 参考文献 | 第51-55页 |
| 攻读硕士学位期间发表的论文及其它成果 | 第55-57页 |
| 致谢 | 第57页 |
