基于集成学习的语音活动检测研究
| 摘要 | 第4-5页 |
| abstract | 第5-6页 |
| 专用术语注释表 | 第9-10页 |
| 第一章 绪论 | 第10-16页 |
| 1.1 研究背景和意义 | 第10-11页 |
| 1.2 国内外研究现状 | 第11-13页 |
| 1.3 本文的主要内容 | 第13页 |
| 1.4 论文组织结构 | 第13-16页 |
| 第二章 语音活动检测基本理论 | 第16-26页 |
| 2.1 语音信号产生模型 | 第16-19页 |
| 2.1.1 激励模型 | 第17页 |
| 2.1.2 声道模型 | 第17-18页 |
| 2.1.3 辐射模型 | 第18-19页 |
| 2.2 语音信号的特征分析 | 第19-24页 |
| 2.2.1 预处理 | 第19-20页 |
| 2.2.2 时域分析 | 第20-23页 |
| 2.2.3 频域分析 | 第23-24页 |
| 2.3 本章小结 | 第24-26页 |
| 第三章 集成学习理论研究 | 第26-36页 |
| 3.1 机器学习概述 | 第26-29页 |
| 3.1.1 支持向量机 | 第27-28页 |
| 3.1.2 决策树 | 第28-29页 |
| 3.2 集成学习概念 | 第29-31页 |
| 3.3 个体学习器构造方法 | 第31-32页 |
| 3.4 结合策略 | 第32-34页 |
| 3.4.1 平均法 | 第32-33页 |
| 3.4.2 投票法 | 第33页 |
| 3.4.3 学习法 | 第33-34页 |
| 3.5 常规集成学习方法 | 第34-35页 |
| 3.5.1 Bagging | 第34-35页 |
| 3.5.2 Boosting | 第35页 |
| 3.6 本章小结 | 第35-36页 |
| 第四章 基于gcForest的语音活动检测算法 | 第36-54页 |
| 4.1 gcForest分类器基本原理 | 第36-41页 |
| 4.1.1 级联森林结构 | 第37-38页 |
| 4.1.2 多粒度扫描 | 第38-41页 |
| 4.2 检测过程 | 第41-46页 |
| 4.2.1 MFCC特征提取 | 第41-44页 |
| 4.2.2 多粒度扫描 | 第44页 |
| 4.2.3 识别过程 | 第44-46页 |
| 4.3 实验和分析 | 第46-53页 |
| 4.3.1 实验条件 | 第46-47页 |
| 4.3.2 实验结果分析 | 第47-53页 |
| 4.4 本章小结 | 第53-54页 |
| 第五章 改进的gcForest语音活动检测算法 | 第54-66页 |
| 5.1 Adaboost算法概述 | 第54-56页 |
| 5.2 多样性度量 | 第56-57页 |
| 5.3 检测过程 | 第57-59页 |
| 5.4 实验和分析 | 第59-64页 |
| 5.4.1 实验条件 | 第59页 |
| 5.4.2 实验结果分析 | 第59-64页 |
| 5.5 本章小结 | 第64-66页 |
| 第六章 基于HMM的gcForest检测算法 | 第66-76页 |
| 6.1 HMM基本理论 | 第66-68页 |
| 6.1.1 观测序列的生成过程 | 第68页 |
| 6.1.2 HMM的三个基本问题 | 第68页 |
| 6.2 结合HMM和gcForest的混合分类器 | 第68-71页 |
| 6.2.1 整体框架 | 第68-70页 |
| 6.2.2 网络模型设计 | 第70页 |
| 6.2.3 HMM到gcForest的特征转换 | 第70-71页 |
| 6.3 实验和分析 | 第71-74页 |
| 6.3.1 实验条件 | 第71页 |
| 6.3.2 实验结果分析 | 第71-74页 |
| 6.4 本章小结 | 第74-76页 |
| 第七章 总结与展望 | 第76-78页 |
| 7.1 全文总结 | 第76-77页 |
| 7.2 对未来的展望 | 第77-78页 |
| 参考文献 | 第78-82页 |
| 附录1 攻读硕士学位期间申请的专利 | 第82-84页 |
| 附录2 攻读硕士学位期间参加的科研项目 | 第84-86页 |
| 致谢 | 第86页 |
