| 摘要 | 第5-6页 |
| Abstract | 第6-7页 |
| 第一章 绪论 | 第10-16页 |
| 1.1 语音识别的研究背景 | 第10页 |
| 1.2 国内外研究现状 | 第10-11页 |
| 1.2.1 国外的发展历程及研究现状 | 第10-11页 |
| 1.2.2 国内的发展历程及研究现状 | 第11页 |
| 1.3 语音识别研究难点及发展前景 | 第11-12页 |
| 1.3.1 语音识别的难点 | 第11-12页 |
| 1.3.2 发展前景 | 第12页 |
| 1.4 语音识别系统的性能评估 | 第12-13页 |
| 1.5 本文的主要内容和章节结构 | 第13-16页 |
| 第二章 鲁棒语音识别中的关键技术 | 第16-32页 |
| 2.1 语音识别系统的结构 | 第16-26页 |
| 2.1.1 预处理 | 第16-18页 |
| 2.1.2 端点检测 | 第18-23页 |
| 2.1.3 特征参数提取 | 第23-24页 |
| 2.1.4 HMM声学模型 | 第24-26页 |
| 2.2 鲁棒语音识别算法 | 第26-29页 |
| 2.2.1 特征补偿 | 第27页 |
| 2.2.2 模型补偿 | 第27-28页 |
| 2.2.3 DNN-HMM声学模型 | 第28-29页 |
| 2.3 基于VTS特征补偿的识别算法分析 | 第29-32页 |
| 2.3.1 VTS算法 | 第29-30页 |
| 2.3.2 VTS算法改进 | 第30-32页 |
| 第三章 基于双层GMM结构和VTS特征补偿的孤立词识别 | 第32-54页 |
| 3.1 引言 | 第32页 |
| 3.2 基于VTS特征补偿算法概述 | 第32-35页 |
| 3.2.1 基于矢量泰勒级数的倒谱域特征补偿算法 | 第32-33页 |
| 3.2.2 GMM模型介绍 | 第33-34页 |
| 3.2.3 GMM模型描述语音信号 | 第34-35页 |
| 3.3 基于VTS特征补偿算法的结构优化 | 第35-38页 |
| 3.3.1 基于双层GMM的特征补偿概述 | 第35-36页 |
| 3.3.2 基于双层GMM的特征补偿过程 | 第36-37页 |
| 3.3.3 基于双层GMM结构的识别系统 | 第37-38页 |
| 3.4 基于MATLAB的仿真实验 | 第38-47页 |
| 3.4.1 数据库介绍 | 第38-39页 |
| 3.4.2 GMM模型混合数的选择 | 第39-42页 |
| 3.4.3 实验结果及分析 | 第42-47页 |
| 3.5 基于C平台的实时测试 | 第47-52页 |
| 3.5.1 C平台双层GMM结构VTS系统实现 | 第47-48页 |
| 3.5.2 实时测试方案设计 | 第48页 |
| 3.5.3 实验结果与分析 | 第48-52页 |
| 3.6 本章小结 | 第52-54页 |
| 第四章 基于多环境模型的算法优化 | 第54-72页 |
| 4.1 基于双层GMM结构VTS的多环境模型特征补偿 | 第54-57页 |
| 4.1.1 基于双层GMM结构VTS的多环境模型特征补偿概述 | 第54-56页 |
| 4.1.2 噪声参数估计 | 第56-57页 |
| 4.1.3 多环境模型特征映射 | 第57页 |
| 4.2 噪声参数估计初始值优化 | 第57-64页 |
| 4.2.1 最优模型初始值优化对噪声参数估计的影响 | 第58-63页 |
| 4.2.2 初始值优化对系统误识率的影响 | 第63-64页 |
| 4.3 训练噪声与测试噪声失配 | 第64-68页 |
| 4.3.1 不同噪声功率谱比较 | 第64-65页 |
| 4.3.2 训练噪声与测试噪声失配对参数估计的影响 | 第65-67页 |
| 4.3.3 C平台多环境模型系统优化 | 第67-68页 |
| 4.4 最佳迭代次数的优化 | 第68-70页 |
| 4.5 本章小结 | 第70-72页 |
| 第五章 总结与展望 | 第72-74页 |
| 5.1 工作总结 | 第72页 |
| 5.2 工作展望 | 第72-74页 |
| 致谢 | 第74-76页 |
| 参考文献 | 第76-80页 |
| 攻读硕士学位期间参加的科研项目和完成的论文 | 第80页 |
