支持向量机在语音识别中的应用研究
| 摘要 | 第1-4页 |
| ABSTRACT | 第4-10页 |
| 第一章 绪论 | 第10-16页 |
| ·语音识别研究的重要意义 | 第10-11页 |
| ·语音识别的发展历史与现状 | 第11-12页 |
| ·语音识别面临的问题 | 第12-13页 |
| ·支持向量机用于语音识别 | 第13-15页 |
| ·本文章节安排 | 第15-16页 |
| 第二章 语音识别的基本原理 | 第16-28页 |
| ·语言识别系统概述 | 第16-17页 |
| ·语音识别系统的基本组成 | 第16-17页 |
| ·语音识别的分类 | 第17页 |
| ·语音识别预处理 | 第17-20页 |
| ·抗混叠滤波 | 第17-18页 |
| ·预加重 | 第18页 |
| ·加窗分帧 | 第18-19页 |
| ·端点检测 | 第19-20页 |
| ·语音识别特征提取 | 第20-24页 |
| ·线性预测系数(LPC) | 第21-22页 |
| ·线性预测倒谱系数(LPCC) | 第22页 |
| ·美尔频率倒谱系数(MFCC) | 第22-23页 |
| ·过零峰值幅度(ZCPA) | 第23-24页 |
| ·模型训练及模式匹配 | 第24-27页 |
| ·动态时间归整技术 | 第25页 |
| ·隐马尔可夫模型 | 第25-26页 |
| ·人工神经网络 | 第26页 |
| ·支持向量机 | 第26-27页 |
| ·本章小结 | 第27-28页 |
| 第三章 支持向量机在语音识别中的应用 | 第28-47页 |
| ·统计学习理论 | 第28-34页 |
| ·经验风险最小化准则 | 第28-29页 |
| ·学习过程一致性的条件 | 第29-31页 |
| ·VC 维 | 第31-32页 |
| ·推广性的界 | 第32页 |
| ·结构风险最小化 | 第32-34页 |
| ·支持向量机原理 | 第34-41页 |
| ·最优分类面 | 第34页 |
| ·线性情况 | 第34-36页 |
| ·非线性情况 | 第36-37页 |
| ·主要核函数 | 第37-38页 |
| ·多类分类方法 | 第38-39页 |
| ·支持向量机算法 | 第39-41页 |
| ·实验结果及结论 | 第41-46页 |
| ·实验一不同核函数对识别效果的影响 | 第41-45页 |
| ·实验二不同参数值对识别效果的影响 | 第45-46页 |
| ·本章小结 | 第46-47页 |
| 第四章 用粒子群算法优化支持向量机参数 | 第47-63页 |
| ·粒子群优化算法 | 第47-52页 |
| ·早期PSO 算法 | 第47-48页 |
| ·标准PSO 算法 | 第48-49页 |
| ·算法流程 | 第49-50页 |
| ·参数分析 | 第50-52页 |
| ·改进的粒子群优化算法 | 第52-54页 |
| ·针对惯性权重的改进模型 | 第52-53页 |
| ·局部PSO 算法 | 第53-54页 |
| ·支持向量机的模型参数选择 | 第54-56页 |
| ·模型选择 | 第54-55页 |
| ·模型参数对SVM 性能的影响 | 第55-56页 |
| ·基于粒子群优化算法的SVM 模型参数选择 | 第56-59页 |
| ·模型参数的评价方法和搜索机制 | 第56页 |
| ·模型参数选择的算法流程 | 第56-57页 |
| ·实验结果及讨论 | 第57-59页 |
| ·基于改进粒子群优化算法的SVM 模型参数选择 | 第59-62页 |
| ·本章小结 | 第62-63页 |
| 第五章 总结与展望 | 第63-66页 |
| ·总结 | 第63-64页 |
| ·局限性与展望 | 第64-66页 |
| 参考文献 | 第66-69页 |
| 致谢 | 第69-70页 |
| 攻读学位期间发表的学术论文目录 | 第70页 |
