| 摘要 | 第5-6页 |
| Abstract | 第6-7页 |
| 第一章 绪论 | 第10-16页 |
| 1.1 研究背景及意义 | 第10-11页 |
| 1.2 国内外研究现状 | 第11-12页 |
| 1.3 语音识别的技术难点 | 第12-13页 |
| 1.4 本文研究内容及结构安排 | 第13-16页 |
| 1.4.1 研究内容 | 第13页 |
| 1.4.2 论文结构安排 | 第13-16页 |
| 第二章 语音识别的基本原理与端点检测技术优化 | 第16-24页 |
| 2.1 语音识别的框架模型 | 第16-17页 |
| 2.1.1 语音识别的层次模型 | 第16页 |
| 2.1.2 语音识别的框架模型 | 第16-17页 |
| 2.2 自适应谱熵的端点检测 | 第17-18页 |
| 2.3 语音信号频域分析方法与特征提取 | 第18-22页 |
| 2.3.1 基于人类发音模型的语音特征 | 第18-21页 |
| 2.3.2 基于听觉模型的语音特征 | 第21-22页 |
| 2.4 语音识别的模板训练与模板匹配 | 第22-23页 |
| 2.5 本章小结 | 第23-24页 |
| 第三章 基于HMM的孤立词识别关键技术研究 | 第24-34页 |
| 3.1 HMM模型的定义 | 第24-26页 |
| 3.1.1 HMM模型的数学描述 | 第24-25页 |
| 3.1.2 HMM模型的形式化定义 | 第25-26页 |
| 3.2 HMM模型的算法以及Viterbi优化算法 | 第26-31页 |
| 3.2.1 前向后向算法 | 第28-29页 |
| 3.2.2 Viterbi算法 | 第29-30页 |
| 3.2.3 Viterbi算法优化 | 第30-31页 |
| 3.3 基于HMM的孤立词语音识别原理 | 第31-32页 |
| 3.4 本章小结 | 第32-34页 |
| 第四章 基于HMM与ANN混合模型研究 | 第34-48页 |
| 4.1 概述 | 第34页 |
| 4.2 ANN模型技术研究 | 第34-38页 |
| 4.2.1 神经元 | 第34-36页 |
| 4.2.2 网络拓扑结构 | 第36-37页 |
| 4.2.3 神经网络的学习方法 | 第37-38页 |
| 4.3 概率神经网络(PNN) | 第38-42页 |
| 4.3.1 概率神经网络概述 | 第38-39页 |
| 4.3.2 概率神经网络结构 | 第39-42页 |
| 4.3.3 PNN的优点 | 第42页 |
| 4.4 混合模型的结合方式 | 第42-43页 |
| 4.5 混合模型的识别过程 | 第43-46页 |
| 4.5.1 HMM模型训练产生最佳状态序列 | 第44-45页 |
| 4.5.2 ANN模型训练 | 第45-46页 |
| 4.6 本章小结 | 第46-48页 |
| 第五章 仿真实验及系统性能分析 | 第48-62页 |
| 5.1 混合系统的预处理特征提取 | 第48-54页 |
| 5.1.1 实验语音库准备 | 第48页 |
| 5.1.2 预处理 | 第48-52页 |
| 5.1.3 特征提取 | 第52-54页 |
| 5.2 混合系统的模型训练 | 第54-56页 |
| 5.2.1 HMM模型训练 | 第54-56页 |
| 5.2.2 PNN模型训练 | 第56页 |
| 5.3 实验结果与分析 | 第56-59页 |
| 5.4 本章小结 | 第59-62页 |
| 第六章 结论与展望 | 第62-64页 |
| 6.1 结论 | 第62页 |
| 6.2 展望 | 第62-64页 |
| 致谢 | 第64-66页 |
| 参考文献 | 第66-70页 |
| 附录A(攻读学位期间发表著作和科研情况) | 第70页 |