| 摘要 | 第5-6页 |
| ABSTRACT | 第6-7页 |
| 符号对照表 | 第10-11页 |
| 缩略语对照表 | 第11-14页 |
| 第一章 绪论 | 第14-20页 |
| 1.1 语音激活检测的研究背景和意义 | 第14-15页 |
| 1.2 研究现状 | 第15-16页 |
| 1.2.1 国外研究现状 | 第15-16页 |
| 1.2.2 国内研究现状 | 第16页 |
| 1.3 语音激活检测的难点和要求 | 第16-17页 |
| 1.4 论文研究内容及章节安排 | 第17-20页 |
| 第二章 现有语音激活检测算法分析 | 第20-30页 |
| 2.1 语音激活检测原理 | 第20页 |
| 2.2 传统的语音激活检测算法 | 第20-24页 |
| 2.2.1 基于短时能量和过零率的语音激活检测算法 | 第20-21页 |
| 2.2.2 基于倒谱特征的语音激活检测算法 | 第21-22页 |
| 2.2.3 基于熵的语音激活检测算法 | 第22-24页 |
| 2.3 语音编码标准中的语音激活检测算法 | 第24-28页 |
| 2.3.1 G.729B中的语音激活检测算法 | 第24-26页 |
| 2.3.2 AMR-NB中的语音激活检测算法 | 第26-28页 |
| 2.4 现有语音激活检测算法性能分析 | 第28-29页 |
| 2.5 本章小结 | 第29-30页 |
| 第三章 深度学习基本理论 | 第30-40页 |
| 3.1 深度学习基本思想和训练过程 | 第30-31页 |
| 3.2 深度学习的主要特点 | 第31-32页 |
| 3.3 深度学习的发展 | 第32-33页 |
| 3.4 深度学习常用基本模型 | 第33-38页 |
| 3.4.1 受限玻尔兹曼机 | 第33-34页 |
| 3.4.2 自动编码机 | 第34-35页 |
| 3.4.3 卷积神经网络 | 第35-36页 |
| 3.4.4 循环神经网络 | 第36-37页 |
| 3.4.5 长短时记忆模型 | 第37-38页 |
| 3.5 本章小结 | 第38-40页 |
| 第四章 基于深度学习的语音激活检测算法研究 | 第40-60页 |
| 4.1 基于深度学习的语音激活检测算法基本原理 | 第40-41页 |
| 4.2 基于深度置信网络的语音激活检测算法研究 | 第41-50页 |
| 4.2.1 受限玻尔兹曼机算法分析 | 第41-45页 |
| 4.2.2 深度置信网络 | 第45-48页 |
| 4.2.3 基于深度置信网络的语音激活检测算法设计 | 第48-50页 |
| 4.3 基于堆栈自动编码机的语音激活检测算法研究 | 第50-59页 |
| 4.3.1 自动编码机算法分析 | 第50-54页 |
| 4.3.2 堆栈稀疏自动编码机 | 第54-56页 |
| 4.3.3 基于堆栈稀疏自动编码机的语音激活检测算法设计 | 第56-59页 |
| 4.4 本章小结 | 第59-60页 |
| 第五章 算法性能分析 | 第60-72页 |
| 5.1 实验数据和环境 | 第60-61页 |
| 5.2 实验评价标准 | 第61-62页 |
| 5.3 实验结果及分析 | 第62-70页 |
| 5.3.1 准确性分析 | 第62-68页 |
| 5.3.2 噪音适应性分析 | 第68-70页 |
| 5.4 本章小结 | 第70-72页 |
| 第六章 总结与展望 | 第72-74页 |
| 6.1 论文总结 | 第72-73页 |
| 6.2 后续工作研究 | 第73-74页 |
| 参考文献 | 第74-78页 |
| 致谢 | 第78-80页 |
| 作者简介 | 第80-81页 |
