| 摘要 | 第1-6页 |
| Abstract | 第6-9页 |
| 第一章 绪论 | 第9-14页 |
| ·研究背景及意义 | 第9-10页 |
| ·音频分类的发展历程 | 第10-12页 |
| ·本文的主要工作和论文结构 | 第12-13页 |
| ·本文的主要工作 | 第12-13页 |
| ·论文的组织结构 | 第13页 |
| ·本章小结 | 第13-14页 |
| 第二章 音频分类的理论基础及相关技术 | 第14-27页 |
| ·音频分类概述 | 第14-15页 |
| ·音频特征提取 | 第15-23页 |
| ·基于帧（frame）的音频特征 | 第15-20页 |
| ·基于段（clip）的音频特征 | 第20-23页 |
| ·常用的分类方法 | 第23-26页 |
| ·最小距离法 | 第23-24页 |
| ·决策树法 | 第24页 |
| ·神经网络法 | 第24-25页 |
| ·高斯混合模型法 | 第25页 |
| ·隐马尔可夫模型法 | 第25页 |
| ·支持向量机法 | 第25页 |
| ·常用分类方法对比 | 第25-26页 |
| ·本章小结 | 第26-27页 |
| 第三章 基于支持向量机的音频分类算法 | 第27-33页 |
| ·统计学习理论 | 第27-28页 |
| ·经验风险最小化原则 | 第27页 |
| ·VC 维 | 第27-28页 |
| ·结构风险最小化原则 | 第28页 |
| ·支持向量机原理 | 第28-31页 |
| ·线性可分问题 | 第29-30页 |
| ·近似线性可分问题 | 第30页 |
| ·非线性可分问题 | 第30-31页 |
| ·基于 SVM 的音频分类算法 | 第31-32页 |
| ·本章小结 | 第32-33页 |
| 第四章 音频分类的特征集优化 | 第33-43页 |
| ·主成分分析方法（PCA） | 第34-37页 |
| ·偏最小二乘方法（PLS） | 第37-39页 |
| ·基于 PCA 和 PLS 的音频特征集优化 | 第39-42页 |
| ·本章小结 | 第42-43页 |
| 第五章 基于 PLS-SVM 模型的音频分类算法实现及应用 | 第43-53页 |
| ·基于 PLS-SVM 模型的音频分类算法实现 | 第43-48页 |
| ·音频预处理模块 | 第44-46页 |
| ·特征提取模块 | 第46页 |
| ·PLS 成分提取模块 | 第46-47页 |
| ·基于 SVM 的模型训练模块和待测音频识别模块 | 第47页 |
| ·实验结果及分析 | 第47-48页 |
| ·音频分类在开关柜局部放电检测系统中的应用 | 第48-52页 |
| ·开关柜局部放电检测系统简介 | 第48页 |
| ·基于音频分类的开关柜局部放电检测方法 | 第48-50页 |
| ·音频分类模块测试及结果分析 | 第50-51页 |
| ·基于音频分类的开关柜局部放电检测方法的优势 | 第51-52页 |
| ·本章小结 | 第52-53页 |
| 结论 | 第53-55页 |
| 参考文献 | 第55-58页 |
| 攻读硕士学位期间取得的研究成果 | 第58-59页 |
| 致谢 | 第59-60页 |
| 附件 | 第60页 |