基于声音识别技术的猪咳嗽音识别方法的研究
| 摘要 | 第6-8页 |
| Abstract | 第8-9页 |
| 1 绪论 | 第10-22页 |
| 1.1 本课题研究的背景和意义 | 第10-11页 |
| 1.2 国内外研究现状 | 第11-20页 |
| 1.2.1 国外研究现状 | 第11-16页 |
| 1.2.2 国内研究现状 | 第16-20页 |
| 1.3 研究内容和技术路线 | 第20-22页 |
| 1.3.1 研究内容 | 第20-21页 |
| 1.3.2 技术路线 | 第21-22页 |
| 2 样本的获取和预处理 | 第22-29页 |
| 2.1 样本获取 | 第22-23页 |
| 2.2 预加重 | 第23-24页 |
| 2.3 滤波去噪 | 第24-28页 |
| 2.3.1 LMS算法 | 第24-26页 |
| 2.3.2 谱减法减噪 | 第26-28页 |
| 2.4 本章小结 | 第28-29页 |
| 3 端点检测和特征参数提取 | 第29-37页 |
| 3.1 分帧加窗 | 第29-31页 |
| 3.2 端点检测 | 第31-33页 |
| 3.3 短时能量和短时过零率 | 第33-34页 |
| 3.4 Mel频率倒谱系数 | 第34-36页 |
| 3.5 本章小结 | 第36-37页 |
| 4 猪咳嗽音识别模型 | 第37-55页 |
| 4.1 试验方法和性能指标 | 第37页 |
| 4.2 矢量量化 | 第37-40页 |
| 4.2.1 矢量量化原理 | 第37-38页 |
| 4.2.2 参数选择和结果分析 | 第38-40页 |
| 4.3 支持向量机 | 第40-46页 |
| 4.3.1 支持向量机原理 | 第40-42页 |
| 4.3.2 结构风险最小化 | 第42-43页 |
| 4.3.3 核函数选择 | 第43-45页 |
| 4.3.4 参数选择和结果分析 | 第45-46页 |
| 4.4 隐马尔科夫模型 | 第46-54页 |
| 4.4.1 隐马尔科夫原理 | 第46-48页 |
| 4.4.2 隐马尔科夫三个基本问题 | 第48-52页 |
| 4.4.3 隐马尔科夫应用 | 第52-54页 |
| 4.5 本章小结 | 第54-55页 |
| 5 咳嗽音识别算法探索 | 第55-65页 |
| 5.1 特征参数融合 | 第55-56页 |
| 5.2 识别算法融合 | 第56-58页 |
| 5.2.1 HMM与SVM融合可行性分析 | 第56-57页 |
| 5.2.3 HMM-SVM应用和结果分析 | 第57-58页 |
| 5.3 融合模型的优化 | 第58-61页 |
| 5.3.1 粒子群优化 | 第58-60页 |
| 5.3.2 结果分析 | 第60-61页 |
| 5.4 加权投票模型 | 第61-64页 |
| 5.4.1 加权多分类器融合 | 第61-63页 |
| 5.4.2 结果分析 | 第63-64页 |
| 5.5 本章小结 | 第64-65页 |
| 6 总结与展望 | 第65-67页 |
| 6.1 研究结论 | 第65-66页 |
| 6.2 未来展望 | 第66-67页 |
| 参考文献 | 第67-74页 |
| 硕士就读期间研究成果 | 第74-75页 |
| 致谢 | 第75页 |
