摘要 | 第1-4页 |
Abstract | 第4-9页 |
1 绪论 | 第9-13页 |
·引言 | 第9页 |
·语音识别发展历程 | 第9-11页 |
·语音识别研究面临的难点 | 第11页 |
·本课题研究的目的和意义 | 第11-12页 |
·本文的研究工作及组织安排 | 第12-13页 |
2 语音识别的基础理论 | 第13-33页 |
·语音识别的基本原理 | 第13页 |
·语音信号的预处理 | 第13-17页 |
·语音信号采样、A/D 转换 | 第14-15页 |
·语音信号的预加重 | 第15-16页 |
·语音信号加窗和分帧 | 第16-17页 |
·语音端点检测算法实现及改进 | 第17-24页 |
·短时平均能量和短时平均过零率 | 第18页 |
·传统的双门限端点检测算法 | 第18-20页 |
·对双门限端点检测算法的改进 | 第20-24页 |
·特征参数的提取 | 第24-31页 |
·线性预测系数(LPC) | 第24页 |
·线性倒谱系数(LPCC) | 第24-26页 |
·美尔频率倒谱系数(MFCC) | 第26-29页 |
·功率归一化倒谱系数(PNCC) | 第29-31页 |
·本章总结 | 第31-33页 |
3 常用语音识别算法分析 | 第33-57页 |
·DTW(动态时间规整)技术 | 第33-38页 |
·隐马尔科夫模型(HMM) | 第38-43页 |
·HMM 的定义 | 第38页 |
·HMM 的数学描述 | 第38-39页 |
·HMM 在语音识别的运用 | 第39-40页 |
·使用 HMM 需要解决的三个问题及相关算法 | 第40-43页 |
·HMM 拓扑形式和状态个数以及分类 | 第43页 |
·支持向量机(SVM) | 第43-44页 |
·三种算法的优缺点对比 | 第44页 |
·HMM 算法实验仿真结果及分析 | 第44-55页 |
·语音样本库的建立 | 第45页 |
·基于 HMM 算法的语音识别系统说明 | 第45-46页 |
·系统编程流程 | 第46-53页 |
·实验结果及分析 | 第53-55页 |
·本章总结 | 第55-57页 |
4 支持向量机在语音识别中的应用 | 第57-67页 |
·传统模式识别方法的不足 | 第57页 |
·统计学习理论 | 第57-59页 |
·经验风险最小化原则 | 第58页 |
·结构风险最小化原则 | 第58-59页 |
·支持向量机理论(support vector machine,SVM) | 第59-63页 |
·线性最优分类面 | 第59-60页 |
·线性支持向量机 | 第60页 |
·非线性支持向量机 | 第60-62页 |
·支持向量机的实现 | 第62页 |
·支持向量机的核函数 | 第62-63页 |
·实验结果及分析 | 第63-66页 |
·实验一不同核函数对 SVM 识别效果的影响 | 第64-65页 |
·实验二不同核函数参数对 SVM 识别效果的影响 | 第65-66页 |
·本章总结 | 第66-67页 |
5 用粒子群算法优化支持向量机参数 | 第67-87页 |
·粒子群优化算法 | 第67-70页 |
·基本 PSO 算法(全局版) | 第67页 |
·标准粒子群算法 | 第67-68页 |
·标准粒子群算法流程 | 第68-69页 |
·标准粒子群算法参数分析 | 第69-70页 |
·基于粒子群算法的 SVM 算法模型参数选择 | 第70-74页 |
·SVM 模型核函数和模型参数的选择 | 第70-71页 |
·PSO-SVM 参数优化算法原理 | 第71-74页 |
·实验结果及讨论 | 第74-85页 |
·预处理及端点检测 | 第77-80页 |
·单个样本的演示效果 | 第80-82页 |
·多个样本的演示效果 | 第82-85页 |
·本章总结 | 第85-87页 |
6 嵌入式语音识别系统的构成 | 第87-97页 |
·系统硬件设计 | 第87-92页 |
·系统软件设计 | 第92-95页 |
·初始化 | 第92-93页 |
·预处理 | 第93页 |
·特征参数的提取 | 第93页 |
·语音的识别 | 第93-95页 |
·本章总结 | 第95-97页 |
7 工作总结与展望 | 第97-99页 |
·工作总结 | 第97-98页 |
·后续工作与展望 | 第98-99页 |
致谢 | 第99-101页 |
参考文献 | 第101-105页 |
附录 | 第105页 |
A 作者在攻读学位期间发表的论文目录 | 第105页 |