| 摘要 | 第3-4页 |
| Abstract | 第4-5页 |
| 第一章 绪论 | 第8-13页 |
| 1.1 研究背景及意义 | 第8页 |
| 1.2 研究现状 | 第8-10页 |
| 1.3 本文主要工作 | 第10-13页 |
| 1.3.1 研究内容与难点 | 第10-12页 |
| 1.3.2 论文结构 | 第12-13页 |
| 第二章 低信噪比环境声音识别框架 | 第13-18页 |
| 2.1 声音识别框架 | 第13-16页 |
| 2.1.1 传统的声音识别框架 | 第13-14页 |
| 2.1.2 错误特征掩盖声音识别框架 | 第14-16页 |
| 2.2 使用带噪训练集的声音识别框架 | 第16-17页 |
| 2.3 本章小结 | 第17-18页 |
| 第三章 端点检测与信噪比估计 | 第18-26页 |
| 3.1 经验模态分解 | 第18-20页 |
| 3.2 端点检测与信噪比估计 | 第20-22页 |
| 3.3 端点检测与信噪比检测的实验结果 | 第22-25页 |
| 3.4 本章小结 | 第25-26页 |
| 第四章 特征提取 | 第26-38页 |
| 4.1 声谱图 | 第26-28页 |
| 4.2 基于声谱图的GLCM-HOSVD特征提取方法 | 第28-34页 |
| 4.2.1 灰度共生矩阵 | 第29-31页 |
| 4.2.2 高阶奇异值分解 | 第31-33页 |
| 4.2.3 GLCM-HOSVD特征的参数选取 | 第33-34页 |
| 4.3 基于伽马通频谱图的子带能量特征 | 第34-37页 |
| 4.3.1 子频带能量分布图 | 第34-37页 |
| 4.4 本章小结 | 第37-38页 |
| 第五章 多随机森林与子随机森林分类器 | 第38-48页 |
| 5.1 决策树 | 第38-41页 |
| 5.1.1 决策树的基本概念 | 第38-39页 |
| 5.1.2 建立决策树 | 第39-41页 |
| 5.2 随机森林 | 第41-43页 |
| 5.3 多随机森林分类器 | 第43-44页 |
| 5.3.1 多随机森林 | 第43页 |
| 5.3.2 使用多随机森林的声音识别框架 | 第43-44页 |
| 5.4 子随机森林分类器 | 第44-46页 |
| 5.4.1 子随机森林分类器 | 第44-46页 |
| 5.4.2 基于子随机森林的多随机森林分类器 | 第46页 |
| 5.5 使用子随机森林与随机森林分类器效果对比 | 第46-47页 |
| 5.6 本章小结 | 第47-48页 |
| 第六章 实验与结果分析 | 第48-57页 |
| 6.1 实验声音数据 | 第48-49页 |
| 6.2 实验设置 | 第49-51页 |
| 6.2.1 实验过程的设置 | 第49页 |
| 6.2.2 实验参数的设置 | 第49-51页 |
| 6.3 环境声音识别的实验结果与分析 | 第51-55页 |
| 6.3.1 特征提取方法性能的比较 | 第51-52页 |
| 6.3.2 声音识别框架的性能比较 | 第52-54页 |
| 6.3.3 与不同声音识别方法之间的比较 | 第54-55页 |
| 6.4 本章小结 | 第55-57页 |
| 总结与展望 | 第57-58页 |
| 参考文献 | 第58-62页 |
| 致谢 | 第62-63页 |
| 在学期间的研究成果及发表的学术论文 | 第63页 |