车载噪声环境下的语音命令词识别的仿真研究
| 摘要 | 第5-6页 |
| Abstract | 第6-7页 |
| 第一章 绪论 | 第10-16页 |
| 1.1 研究背景与意义 | 第10页 |
| 1.2 发展历史与研究现状 | 第10-13页 |
| 1.3 论文主要工作 | 第13-14页 |
| 1.4 论文章节安排 | 第14-16页 |
| 第二章 语音特征提取与建模 | 第16-33页 |
| 2.1 特征提取 | 第16-19页 |
| 2.1.1 fbank特征的计算 | 第16-18页 |
| 2.1.2 MFCC特征的计算 | 第18页 |
| 2.1.3 动态差分特征的计算 | 第18-19页 |
| 2.2 GMM模型 | 第19-20页 |
| 2.3 HMM模型 | 第20-24页 |
| 2.4 神经网络 | 第24-30页 |
| 2.4.1 神经元 | 第24-25页 |
| 2.4.2 DNN | 第25页 |
| 2.4.3 CNN | 第25-27页 |
| 2.4.4 RNN | 第27-28页 |
| 2.4.5 神经网络的训练 | 第28-30页 |
| 2.5 序列区分性训练 | 第30-32页 |
| 2.5.1 MMI | 第31页 |
| 2.5.2 BoostedMMI | 第31页 |
| 2.5.3 MPE/sMBR | 第31-32页 |
| 2.6 本章小结 | 第32-33页 |
| 第三章 语音命令词识别模型的设计与实现 | 第33-50页 |
| 3.1 基于CDCNN-HMM的命令词识别 | 第33-37页 |
| 3.1.1 声学建模单元的选择 | 第34-35页 |
| 3.1.2 CIGMM-HMM模型 | 第35页 |
| 3.1.3 CDGMM-HMM模型 | 第35-36页 |
| 3.1.4 CDCNN-HMM模型 | 第36-37页 |
| 3.2 基于分类器的命令词识别 | 第37-42页 |
| 3.2.1 基于DNN的命令词识别模型 | 第37-38页 |
| 3.2.2 基于CNN的命令词识别模型 | 第38-39页 |
| 3.2.3 基于ResCNN的命令词识别模型 | 第39页 |
| 3.2.4 基于RNN的命令词识别模型 | 第39-40页 |
| 3.2.5 基于CNN-RNN的命令词识别模型 | 第40页 |
| 3.2.6 基于CGRU的命令词识别模型 | 第40-42页 |
| 3.3 实验结果 | 第42-49页 |
| 3.4 本章小结 | 第49-50页 |
| 第四章 基于深度学习的单声道降噪 | 第50-57页 |
| 4.1 基于深度学习的降噪流程 | 第50-51页 |
| 4.2 实验数据 | 第51-52页 |
| 4.3 基于RNN的降噪模型 | 第52-53页 |
| 4.4 基于CNN-RNN的降噪模型 | 第53-55页 |
| 4.5 实验结果对比 | 第55-56页 |
| 4.6 本章小结 | 第56-57页 |
| 第五章 模型整合与相关测试 | 第57-63页 |
| 5.1 模型整合 | 第57-58页 |
| 5.2 待测试模型 | 第58-59页 |
| 5.3 实验结果 | 第59-62页 |
| 5.4 本章小结 | 第62-63页 |
| 第六章 总结与展望 | 第63-65页 |
| 参考文献 | 第65-69页 |
| 攻读硕士学位期间取得的研究成果 | 第69-70页 |
| 致谢 | 第70-71页 |
| 附录 | 第71页 |
