基于ARM-Linux的抗噪声语音识别技术研究
| 摘要 | 第1-6页 |
| ABSTRACT | 第6-8页 |
| 目录 | 第8-11页 |
| CONTENTS | 第11-14页 |
| 第一章 绪论 | 第14-20页 |
| ·语音识别的应用 | 第14-16页 |
| ·语音识别的研究现状 | 第16-18页 |
| ·语音识别的困难 | 第18-19页 |
| ·论文的主要工作 | 第19-20页 |
| 第二章 计算听觉场景分析 | 第20-38页 |
| ·抗噪声语音识别的方法 | 第20-23页 |
| ·传统的抗噪声语音识别方法 | 第20-22页 |
| ·抗噪声语音识别的一些新方法 | 第22-23页 |
| ·计算听觉场景分析的原理与结构模型 | 第23-28页 |
| ·计算听觉场景分析的主要研究方向 | 第24-25页 |
| ·计算听觉场景分析的若干原则 | 第25-27页 |
| ·计算听觉场景分析的声源分离线索 | 第27-28页 |
| ·计算听觉场景分析系统 | 第28-32页 |
| ·数据驱动型的计算听觉场景分析系统 | 第28-29页 |
| ·图式驱动型的计算听觉场景分析系统 | 第29-32页 |
| ·听觉场景分析的算法研究 | 第32-37页 |
| ·前端处理模块 | 第33-34页 |
| ·线索检测模块 | 第34-36页 |
| ·黑板模块 | 第36-37页 |
| ·本章小结 | 第37-38页 |
| 第三章 语音识别的特征参数提取算法 | 第38-45页 |
| ·时域参数 | 第39页 |
| ·语音信号的倒谱分析 | 第39-41页 |
| ·复倒谱的定义 | 第40页 |
| ·倒谱的计算 | 第40-41页 |
| ·基于Mel频率的特征提取 | 第41-44页 |
| ·Mel频率的概念 | 第42页 |
| ·Mel频率倒谱系数的计算 | 第42-44页 |
| ·本章小结 | 第44-45页 |
| 第四章 语音识别的系统模型与原理 | 第45-59页 |
| ·模板训练和模板匹配 | 第45-46页 |
| ·隐马尔可夫模型(HMM) | 第46-49页 |
| ·HMM模型的基本原理及模型参数 | 第46-48页 |
| ·HMM模型的三个基本问题 | 第48-49页 |
| ·人工神经网络(ANN) | 第49-55页 |
| ·神经网络的基本概念 | 第49-51页 |
| ·BP网络模型 | 第51-54页 |
| ·自组织神经网络 | 第54-55页 |
| ·HMM和SOFM的混合语音识别系统 | 第55-58页 |
| ·系统前端处理 | 第56页 |
| ·利用CDHMM产生最佳状态序列 | 第56页 |
| ·同一状态内语音信号的时间归整原理 | 第56-57页 |
| ·自组织神经网络的训练算法 | 第57-58页 |
| ·本章小结 | 第58-59页 |
| 第五章 语音识别系统的软硬件结构设计 | 第59-68页 |
| ·基于ARM-Linux嵌入式开发工具链的建立 | 第59-61页 |
| ·系统的硬件设计 | 第61-64页 |
| ·ARM920T及S3C2410简介 | 第61页 |
| ·基于I~2S总线的硬件框架实现 | 第61-64页 |
| ·系统软件设计 | 第64-66页 |
| ·计算听觉场景分析算法的具体步骤 | 第64-65页 |
| ·语音信号的训练过程 | 第65页 |
| ·语音信号的识别过程 | 第65-66页 |
| ·算法结果分析 | 第66-67页 |
| ·混叠语音分离算法的性能测试 | 第66-67页 |
| ·算法的抗噪声性能测试 | 第67页 |
| ·本章小结 | 第67-68页 |
| 结论 | 第68-70页 |
| 1. 主要研究工作总结 | 第68-69页 |
| 2. 有待改进的问题 | 第69-70页 |
| 参考文献 | 第70-74页 |
| 攻读学位期间发表论文 | 第74-76页 |
| 致谢 | 第76-77页 |
| 附录1 | 第77页 |
