| 摘要 | 第5-6页 |
| abstract | 第6-7页 |
| 第一章 绪论 | 第10-16页 |
| 1.1 课题研究的背景和意义 | 第10-11页 |
| 1.2 国内外研究现状 | 第11-13页 |
| 1.2.1 国外研究现状 | 第11-12页 |
| 1.2.2 国内研究现状 | 第12-13页 |
| 1.3 本文的主要研究内容 | 第13页 |
| 1.4 论文结构和主要创新点 | 第13-16页 |
| 第二章 传统神经网络与深度学习 | 第16-28页 |
| 2.1 传统神经网络概述 | 第16-17页 |
| 2.2 反向传播模型 | 第17-19页 |
| 2.3 深度学习概述 | 第19页 |
| 2.4 深度学习训练过程 | 第19-20页 |
| 2.5 RBMs模型 | 第20-23页 |
| 2.5.1 RBMs网络结构 | 第20-21页 |
| 2.5.2 RBMs训练过程 | 第21-23页 |
| 2.6 DBNs模型 | 第23-25页 |
| 2.6.1 DBNs网络结构 | 第23-24页 |
| 2.6.2 DBNs训练过程 | 第24-25页 |
| 2.6.3 调优过程 | 第25页 |
| 2.7 深层模型与浅层模型 | 第25-26页 |
| 2.8 本章小结 | 第26-28页 |
| 第三章 语音特征提取及参数降维 | 第28-38页 |
| 3.1 语音识别常用的方法 | 第28-29页 |
| 3.2 语音特征的提取 | 第29-33页 |
| 3.2.1 线性预测系数LPC | 第29-30页 |
| 3.2.2 线性预测倒谱系数LPCC | 第30-31页 |
| 3.2.3 梅尔倒谱系数MFCC | 第31-33页 |
| 3.3 语音特征参数降维 | 第33-35页 |
| 3.4 本章小结 | 第35-38页 |
| 第四章 基于微调优化的深度学习方法研究 | 第38-50页 |
| 4.1 基于随机退出优化方法的深度学习 | 第38-45页 |
| 4.1.1 随机退出的思想 | 第38-40页 |
| 4.1.2 随机退出模型描述 | 第40-41页 |
| 4.1.3 随机退出在传统神经网络中的应用 | 第41-42页 |
| 4.1.4 随机退出在深度学习中的应用 | 第42-43页 |
| 4.1.5 随机退出概率的选择 | 第43-44页 |
| 4.1.6 随机退出在MNIST数据集中的应用 | 第44-45页 |
| 4.2 基于随机下降连接优化的深度学习 | 第45-49页 |
| 4.2.1 随机下降连接的思想 | 第46页 |
| 4.2.2 随机下降连接模型描述 | 第46-47页 |
| 4.2.3 随机下降连接在深度学习中的应用 | 第47-48页 |
| 4.2.4 随机下降连接在MNIST数据集中的应用 | 第48-49页 |
| 4.3 本章小结 | 第49-50页 |
| 第五章 实验与结果分析 | 第50-60页 |
| 5.1 语音样本库的建立 | 第50-54页 |
| 5.1.1 语音特征的提取 | 第50-52页 |
| 5.1.2 语音特征参数处理 | 第52-54页 |
| 5.2 实验结果及分析 | 第54-58页 |
| 5.2.1 反向传播算法的语音识别 | 第54-55页 |
| 5.2.2 深度信念网络语音识别 | 第55-56页 |
| 5.2.3 基于随机退出优化的深度学习语音识别 | 第56-57页 |
| 5.2.4 基于随机下降连接优化的深度学习语音识别 | 第57-58页 |
| 5.3 本章小结 | 第58-60页 |
| 第六章 结论及展望 | 第60-62页 |
| 6.1 课题总结 | 第60页 |
| 6.2 展望 | 第60-62页 |
| 参考文献 | 第62-66页 |
| 攻读学位期间所取得的相关科研成果 | 第66-68页 |
| 致谢 | 第68-69页 |