一种噪声环境下的复杂声音识别方法
| 致谢 | 第7-8页 |
| 摘要 | 第8-9页 |
| ABSTRACT | 第9页 |
| 第一章 绪论 | 第14-20页 |
| 1.1 研究背景及意义 | 第14-15页 |
| 1.2 国内外研究现状 | 第15-17页 |
| 1.3 研究内容与章节安排 | 第17-18页 |
| 1.3.2 研究内容 | 第17-18页 |
| 1.3.3 章节安排 | 第18页 |
| 1.4 研究方法与技术路线 | 第18-20页 |
| 第二章 声音识别相关理论概述 | 第20-28页 |
| 2.1 声音特征提取方法 | 第20-21页 |
| 2.1.1 时域特征 | 第20页 |
| 2.1.2 频域特征 | 第20-21页 |
| 2.2 样本选择聚类算法 | 第21-24页 |
| 2.2.1 K-Means聚类算法 | 第22页 |
| 2.2.2 AP聚类算法 | 第22-24页 |
| 2.3 隐马尔可夫识别模型 | 第24-27页 |
| 2.3.1 Markov链 | 第25页 |
| 2.3.2 基本概念及定义 | 第25-26页 |
| 2.3.3 HMM的基本算法 | 第26-27页 |
| 2.4 本章小结 | 第27-28页 |
| 第三章 噪声环境下的复杂声音特征提取 | 第28-39页 |
| 3.1 复杂声音时域特性分析 | 第28-31页 |
| 3.1.1 短时能量分析 | 第28-29页 |
| 3.1.2 短时过零率分析 | 第29-30页 |
| 3.1.3 短时自相关函数分析 | 第30-31页 |
| 3.2 复杂声音频域特性分析 | 第31-36页 |
| 3.2.1 线性预测倒谱系数分析 | 第31-32页 |
| 3.2.2 梅尔频率倒谱系数分析 | 第32-34页 |
| 3.2.3 最小方差无失真响应特征分析 | 第34-36页 |
| 3.3 复杂声音特征提取 | 第36-38页 |
| 3.4 本章小结 | 第38-39页 |
| 第四章 噪声环境下的复杂声音识别方法研究 | 第39-47页 |
| 4.1 噪声环境下的复杂声音样本选择方法 | 第39-43页 |
| 4.1.1 样本选择标准 | 第39-40页 |
| 4.1.2 基于聚类标注的训练样本选择算法 | 第40-43页 |
| 4.2 噪声环境下的复杂声音识别框架 | 第43页 |
| 4.3 基于HMM的复杂声音识别模型 | 第43-46页 |
| 4.3.1 HMM模型训练 | 第43-45页 |
| 4.3.2 HMM模型识别 | 第45-46页 |
| 4.4 本章小结 | 第46-47页 |
| 第五章 仿真实验与分析 | 第47-55页 |
| 5.1 列车声音识别实验 | 第47-52页 |
| 5.1.1 实验设置 | 第47-48页 |
| 5.1.2 特征选择分析比较 | 第48-50页 |
| 5.1.3 样本选择算法性能比较 | 第50-52页 |
| 5.2 鸟叫声识别实验 | 第52-54页 |
| 5.2.1 实验设置 | 第52-53页 |
| 5.2.2 实验性能分析比较 | 第53-54页 |
| 5.3 本章小结 | 第54-55页 |
| 第六章 总结与展望 | 第55-57页 |
| 6.1 工作总结 | 第55页 |
| 6.2 展望 | 第55-57页 |
| 参考文献 | 第57-60页 |
| 攻读硕士学位期间的学术活动及成果情况 | 第60-61页 |
