| 摘要 | 第5-7页 |
| ABSTRACT | 第7-8页 |
| 第一章 绪论 | 第11-19页 |
| 1.1 课题背景 | 第11-12页 |
| 1.2 国内外研究现状 | 第12-15页 |
| 1.3 研究意义 | 第15-16页 |
| 1.4 本文研究内容 | 第16-17页 |
| 1.5 论文结构 | 第17-19页 |
| 第二章 传统语音识别框架 | 第19-27页 |
| 2.1 语音识别基本原理 | 第19-20页 |
| 2.2 语音信号特征提取 | 第20-22页 |
| 2.2.1 线性预测编码(LPC) | 第21页 |
| 2.2.2 mel倒谱系数(MFCC) | 第21-22页 |
| 2.3 声学模型 | 第22-23页 |
| 2.4 语言模型 | 第23页 |
| 2.5 解码 | 第23-24页 |
| 2.6 语音识别评判标准 | 第24页 |
| 2.7 本章小结 | 第24-27页 |
| 第三章 基于联合CTC与ATTENTION机制的端到端模型 | 第27-43页 |
| 3.1 端到端自动语音识别 | 第27页 |
| 3.2 基于CTC的端到端模型 | 第27-30页 |
| 3.2.1 CTC声学模型 | 第28页 |
| 3.2.2 CTC字母模型 | 第28-29页 |
| 3.2.3 CTC 目标函数 | 第29-30页 |
| 3.3 基于ATTENTION机制的端到端模型 | 第30-33页 |
| 3.3.1 编码网络 | 第30页 |
| 3.3.2 注意力机制 | 第30-31页 |
| 3.3.3 解码网络 | 第31-33页 |
| 3.4 联合CTC与ATTENTION机制的端到端模型 | 第33-40页 |
| 3.4.1 编码网络 | 第34-35页 |
| 3.4.2 解码网络 | 第35-40页 |
| 3.5 实验及实验结果分析 | 第40-41页 |
| 3.5.1 数据集 | 第40页 |
| 3.5.2 实验参数 | 第40页 |
| 3.5.3 实验结果及分析 | 第40-41页 |
| 3.6 本章小结 | 第41-43页 |
| 第四章 基于循环神经网络自适应映射的端到端模型 | 第43-53页 |
| 4.1 模型结构 | 第43-44页 |
| 4.2 对数似然损失 | 第44-45页 |
| 4.3 类前向-后向算法 | 第45-47页 |
| 4.4 期望损失 | 第47-48页 |
| 4.5 实验及实验结果分析 | 第48-51页 |
| 4.5.1 数据集 | 第48页 |
| 4.5.2 实验参数 | 第48页 |
| 4.5.3 实验结果及分析 | 第48-51页 |
| 4.6 本章小结 | 第51-53页 |
| 第五章 针对普通话的RAM端到端模型改进 | 第53-61页 |
| 5.1 普通话语音识别模型改进 | 第53-56页 |
| 5.1.1 编码网络 | 第54-55页 |
| 5.1.2 解码网络 | 第55-56页 |
| 5.2 跨语言迁移学习 | 第56-58页 |
| 5.2.1 第0阶段—英文数据集预训练 | 第57-58页 |
| 5.2.2 第1阶段—解码网络重训练 | 第58页 |
| 5.2.3 第2阶段—微调编码网络和解码网络 | 第58页 |
| 5.3 实验及实验结果分析 | 第58-60页 |
| 5.3.1 数据集 | 第58-59页 |
| 5.3.2 实验参数 | 第59页 |
| 5.3.3 实验结果及分析 | 第59-60页 |
| 5.4 本章小结 | 第60-61页 |
| 第六章 总结与展望 | 第61-63页 |
| 6.1 课题总结 | 第61页 |
| 6.2 未来展望 | 第61-63页 |
| 参考文献 | 第63-71页 |
| 致谢 | 第71页 |