V支持向量机中参数的优化及在语音识别中的应用
| 摘要 | 第1-5页 |
| ABSTRACT | 第5-10页 |
| 第一章 绪论 | 第10-16页 |
| ·支持向量机研究的重要意义 | 第10页 |
| ·SVM的研究现状 | 第10-11页 |
| ·SVM理论研究现状 | 第10-11页 |
| ·SVM的应用研究现状 | 第11页 |
| ·语音识别的研究现状及面临的问题 | 第11-12页 |
| ·语音识别的发展 | 第11-12页 |
| ·语音识别面临的问题 | 第12页 |
| ·支持向量机用于语音识别的优势 | 第12-13页 |
| ·本文内容及结构 | 第13-16页 |
| 第二章 语音识别基础 | 第16-26页 |
| ·语言识别系统简介 | 第16-17页 |
| ·语音识别系统的基本框架 | 第16页 |
| ·语音识别的分类 | 第16-17页 |
| ·预处理 | 第17-20页 |
| ·预滤波 | 第17页 |
| ·预加重 | 第17-18页 |
| ·加窗和分帧 | 第18页 |
| ·端点检测 | 第18-20页 |
| ·特征提取 | 第20-22页 |
| ·线性预测系数 | 第20页 |
| ·线性预测倒谱系数 | 第20-21页 |
| ·美尔频率倒谱系数 | 第21页 |
| ·过零峰值幅度 | 第21-22页 |
| ·模板训练和模式匹配 | 第22-25页 |
| ·动态时间归整技术 | 第22-23页 |
| ·隐马尔可夫模型 | 第23页 |
| ·人工神经网络 | 第23-24页 |
| ·支持向量机 | 第24-25页 |
| ·本章小结 | 第25-26页 |
| 第三章 支持向量机理论及应用 | 第26-44页 |
| ·统计学习理论基础 | 第26-32页 |
| ·经验风险最小化准则 | 第26-28页 |
| ·一致性条件 | 第28-30页 |
| ·函数集的学习性能和VC维 | 第30-32页 |
| ·推广性的界 | 第32页 |
| ·结构风险最小化准则 | 第32-34页 |
| ·支持向量机分类原理 | 第34-40页 |
| ·线性可分SVM | 第34-37页 |
| ·线性不可分SVM | 第37-39页 |
| ·多分类SVM | 第39-40页 |
| ·实验一 采用不同核函数SVM的语音识别实验 | 第40-43页 |
| ·本章小结 | 第43-44页 |
| 第四章 v-SVM的参数选优及应用 | 第44-62页 |
| ·v-SVM算法介绍 | 第44-47页 |
| ·v-SVM算法 | 第44-45页 |
| ·v参数的意义 | 第45-46页 |
| ·v参数的选择 | 第46-47页 |
| ·粒子群优化算法 | 第47-51页 |
| ·PSO的发展及应用 | 第47页 |
| ·早期PSO算法的基本原理 | 第47-48页 |
| ·标准PSO算法 | 第48-49页 |
| ·粒子群优化算法流程 | 第49-50页 |
| ·参数分析 | 第50-51页 |
| ·改进的PSO算法 | 第51-52页 |
| ·实验与仿真 | 第52-59页 |
| ·实验工具箱及数据库介绍 | 第53页 |
| ·用PSO算法优化v-SVM参数流程图及步骤 | 第53-54页 |
| ·实验一 用标准PSO算法优化v-SVM参数 | 第54-56页 |
| ·实验二 用改进的PSO算法优化v-SVM参数 | 第56-59页 |
| ·实验三 用Aurora2数据库进行实验 | 第59页 |
| ·本章小结 | 第59-62页 |
| 第五章 总结与展望 | 第62-64页 |
| ·总结 | 第62-63页 |
| ·局限性与展望 | 第63-64页 |
| 参考文献 | 第64-68页 |
| 致谢 | 第68-70页 |
| 攻读学位期间发表的学术论文目录 | 第70页 |
