摘要 | 第4-6页 |
ABSTRACT | 第6-7页 |
第1章 绪论 | 第11-19页 |
1.1 课题来源与背景及研究的目的和意义 | 第11-12页 |
1.2 时序信号的分析方法国内外发展现状 | 第12-13页 |
1.3 深度神经网络的发展现状 | 第13-16页 |
1.4 目前存在的问题 | 第16-17页 |
1.4.1 时序信号处理目前存在的问题 | 第16页 |
1.4.2 深度学习技术的问题与不足 | 第16-17页 |
1.5 本文的主要研究内容及结构安排 | 第17-19页 |
第2章 认知启发下时序信号多粒度特征提取与融合方法研究 | 第19-28页 |
2.1 引言 | 第19页 |
2.2 基于人脑认知的特征粒度划分 | 第19-20页 |
2.3 帧特征的提取方法 | 第20-22页 |
2.3.1 分帧 | 第20页 |
2.3.2 加窗 | 第20-21页 |
2.3.3 帧粒度时频特征提取 | 第21-22页 |
2.4 认知启发下段粒度特征提取方法研究 | 第22-24页 |
2.4.1 人脑处理时序信息的认知规律 | 第22-23页 |
2.4.2 基于高斯函数的段粒度特征提取方法 | 第23页 |
2.4.3 基于指数函数的段粒度特征集成加工方法 | 第23-24页 |
2.5 全局粒度特征提取方法研究 | 第24-25页 |
2.5.1 全局特征提取方法 | 第24-25页 |
2.5.2 基于高斯函数的全局特征提取方法 | 第25页 |
2.6 多粒度特征融合方法研究 | 第25-27页 |
2.6.1 不同粒度特征的对齐方法 | 第25-26页 |
2.6.2 不同粒度特征的融合方法 | 第26-27页 |
2.7 本章小结 | 第27-28页 |
第3章 基于C-LSTM结构的端到端时序信号分析处理模型研究 | 第28-38页 |
3.1 引言 | 第28页 |
3.2 基于CNN的端到端多粒度特征提取与融合方法研究 | 第28-32页 |
3.2.1 基于CNN的端到端多粒度特征提取方法 | 第28-30页 |
3.2.2 基于CNN的端到端多粒度特征融合方法 | 第30页 |
3.2.3 CNN训练方法 | 第30-32页 |
3.3 基于LSTM的时序信号建模分类方法 | 第32-35页 |
3.3.1 LSTM网络基本原理 | 第32-33页 |
3.3.2 LSTM网络学习方法 | 第33-35页 |
3.4 C-LSTM网络模型研究 | 第35-37页 |
3.4.1 C-LSTM网络模型参数优化 | 第35-36页 |
3.4.2 C-LSTM网络深度的优化 | 第36-37页 |
3.5 本章小结 | 第37-38页 |
第4章 认知启发下的语音情感分类问题 | 第38-50页 |
4.1 引言 | 第38-39页 |
4.2 语音情感的认知规律 | 第39-41页 |
4.2.1 语音情感认知规律探索实验 | 第39页 |
4.2.2 实验结果及分析 | 第39-40页 |
4.2.3 语音情感认知规律对特征提取的启发 | 第40-41页 |
4.3 语音情感识别实验 | 第41-49页 |
4.3.1 离散语音情感数据集 | 第41-42页 |
4.3.2 基于高斯函数的多粒度特征提取与融合实验 | 第42-45页 |
4.3.3 基于C-LSTM的端到端多粒度特征提取与融合实验 | 第45-49页 |
4.4 本章小结 | 第49-50页 |
第5章 融合空间信息的脑认知状态分类问题 | 第50-58页 |
5.1 引言 | 第50页 |
5.2 基于C-LSTM的脑电实验 | 第50-51页 |
5.2.1 数据集 | 第50页 |
5.2.2 C-LSTM模型拓扑结构 | 第50-51页 |
5.3 基于电极空间排布信息的输入数据处理方法研究 | 第51-53页 |
5.3.1 基于电极空间位置的信息重构方法 | 第52页 |
5.3.2 融合时空信息的 3D-C-LSTM模型研究 | 第52-53页 |
5.4 基于小波变换动态脑网络的C-LSTM模型研究 | 第53-57页 |
5.4.1 小波动态脑网络的构建 | 第53-55页 |
5.4.2 时间维度分窗平均方法 | 第55-56页 |
5.4.3 基于时间序列的 3D-C-LSTM方法 | 第56-57页 |
5.5 本章小结 | 第57-58页 |
结论 | 第58-60页 |
参考文献 | 第60-65页 |
攻读硕士学位期间发表的论文及其它成果 | 第65-67页 |
致谢 | 第67页 |