HMM和神经网络用于语音识别的算法研究
| 第一章 绪论 | 第1-28页 |
| 1．1 语音识别综述 | 第14-24页 |
| 1．1．1 引言 | 第14-16页 |
| 1．1．2 国内外研究现状及语音识别方法介绍 | 第16-24页 |
| 1．2 课题研究背景 | 第24-26页 |
| 1．3 论文内容安排 | 第26-28页 |
| 第二章 特征提取 | 第28-37页 |
| 2．1 概述 | 第28-29页 |
| 2．2 特征提取过程简介 | 第29-30页 |
| 2．3 几种常用的特征提取方法 | 第30-36页 |
| 2．3．1 线性预测系数(LPC) | 第30-31页 |
| 2．3．2 LPC倒谱系数(LPCC) | 第31-32页 |
| 2．3．3 Mel频率倒谱系数(MFCC) | 第32-33页 |
| 2．3．4 ZCPA特征介绍 | 第33-36页 |
| 2．4 小结 | 第36-37页 |
| 第三章 矢量量化 | 第37-45页 |
| 3．1 概述 | 第37-38页 |
| 3．2 矢量量化的基本原理 | 第38-40页 |
| 3．3 失真测度 | 第40-41页 |
| 3．4 码本的设计 | 第41-44页 |
| 3．4．1 LBG算法框架 | 第41-42页 |
| 3．4．2 初始码本的设计方法 | 第42-44页 |
| 3．5 小结 | 第44-45页 |
| 第四章 隐马尔可夫模型在语音识别中的应用 | 第45-69页 |
| 4．1 引言 | 第45-46页 |
| 4．2 隐马尔可夫模型 | 第46-48页 |
| 4．3 隐马尔可夫模型的三个基本问题 | 第48-60页 |
| 4．3．1 第1个问题的求解 | 第48-50页 |
| 4．3．2 第2个问题的求解 | 第50-52页 |
| 4．3．3 第3个问题的求解 | 第52-54页 |
| 4．3．4 解决下溢问题后的重估公式 | 第54-60页 |
| 4．4 隐马尔可夫模型用于语音识别 | 第60-68页 |
| 4．4．1 实验方法描述 | 第60-64页 |
| 4．4．2 实验结果及讨论 | 第64-68页 |
| 4．5 小结 | 第68-69页 |
| 第五章 人工神经网络用于语音识别 | 第69-101页 |
| 5．1 基于BP神经网络的语音识别 | 第69-78页 |
| 5．1．1 BP神经网络结构 | 第70页 |
| 5．1．2 BP神经网络的学习过程 | 第70-74页 |
| 5．1．3 用BP网络构建语音识别系统 | 第74-78页 |
| 5．2 基于径向基函数网络的语音识别 | 第78-90页 |
| 5．2．1 径向基函数网络的理论发展 | 第78页 |
| 5．2．2 RBF神经网络结构 | 第78-81页 |
| 5．2．3 RBF神经网络的学习过程 | 第81-84页 |
| 5．2．4 改进的RBF网络学习方法 | 第84-86页 |
| 5．2．5 用RBF网络构建语音识别系统 | 第86-90页 |
| 5．3 基于小波神经网络的语音识别 | 第90-97页 |
| 5．3．1 小波神经网络理论基础 | 第90-91页 |
| 5．3．2 小波神经网络模型构造 | 第91-94页 |
| 5．3．3 用小波神经网络构建语音识别系统 | 第94-97页 |
| 5．4 实验结果综合比较 | 第97-100页 |
| 5．5 小结 | 第100-101页 |
| 第六章 结论与展望 | 第101-104页 |
| 参考文献 | 第104-108页 |
| 致谢 | 第108-109页 |
| 研究生期间发表的论文 | 第109页 |
