| 摘要 | 第5-6页 |
| ABSTRACT | 第6-7页 |
| 第1章 绪论 | 第13-21页 |
| 1.1 研究背景 | 第13-14页 |
| 1.2 国内外研究现状 | 第14-17页 |
| 1.2.1 资源稀少情况下自动语音识别的研究现状 | 第14-15页 |
| 1.2.2 主动学习的研究概况 | 第15-17页 |
| 1.3 任务集描述及性能评价指标 | 第17-18页 |
| 1.3.1 任务集描述 | 第17-18页 |
| 1.3.2 语音识别性能评价指标 | 第18页 |
| 1.4 论文的研究内容 | 第18-19页 |
| 1.5 论文的结构安排 | 第19-21页 |
| 第2章 资源稀少情况下语音识别系统的搭建 | 第21-35页 |
| 2.1 语音识别的基本知识 | 第21-22页 |
| 2.2 发音词典的构建方法 | 第22-23页 |
| 2.3 声学模型的基本原理 | 第23-27页 |
| 2.3.1 基于GMM-HMM框架的声学模型 | 第24-26页 |
| 2.3.2 基于DNN-HMM框架的声学模型 | 第26-27页 |
| 2.4 语言模型的基本原理 | 第27-29页 |
| 2.5 声学模型的优化方法 | 第29-30页 |
| 2.5.1 模型训练的状态绑定 | 第29-30页 |
| 2.5.2 深度神经网络声学建模的初始化学习方法 | 第30页 |
| 2.6 实验结果及分析 | 第30-34页 |
| 2.6.1 发音词典的构建 | 第30-32页 |
| 2.6.2 资源稀少情况下基线语音识别系统结果 | 第32-34页 |
| 2.7 本章小结 | 第34-35页 |
| 第3章 资源稀少情况下声学模型训练的主动学习方法研究 | 第35-45页 |
| 3.1 声学模型训练的半监督数据选择准则研究 | 第35-37页 |
| 3.1.1 研究背景及目的 | 第35-36页 |
| 3.1.2 基于困惑度准则的数据选择 | 第36-37页 |
| 3.2 深度神经网络的声学模型参数优化方法研究 | 第37-38页 |
| 3.3 实验结果及分析 | 第38-44页 |
| 3.3.1 Swahili语数据库上的实验结果 | 第38-42页 |
| 3.3.2 Georgian数据库上的实验结果 | 第42-43页 |
| 3.3.3 实验结果分析 | 第43-44页 |
| 3.4 本章小结 | 第44-45页 |
| 第4章 资源稀少情况下字典扩充和语言模型增强的主动学习方法研究 | 第45-59页 |
| 4.1 研究背景及目的 | 第45-46页 |
| 4.2 海量网络数据(web data)的预处理技术研究 | 第46-47页 |
| 4.3 文本的矢量表示 | 第47-49页 |
| 4.4 文本的相似度度量及数据选择方法研究 | 第49-52页 |
| 4.4.1 相似度的度量 | 第49-50页 |
| 4.4.2 词典扩充的web data选择方法研究 | 第50-51页 |
| 4.4.3 用于增强语言模型的web data选择方法 | 第51-52页 |
| 4.5 实验结果及分析 | 第52-58页 |
| 4.5.1 词典扩充的web data选择方法实验结果 | 第53-55页 |
| 4.5.2 增强语言模型的web data选择方法实验结果 | 第55-58页 |
| 4.5.3 实验结果分析 | 第58页 |
| 4.6 本章小结 | 第58-59页 |
| 第5章 总结与展望 | 第59-61页 |
| 5.1 论文总结 | 第59-60页 |
| 5.2 研究展望 | 第60-61页 |
| 参考文献 | 第61-69页 |
| 致谢 | 第69-71页 |
| 在读期间发表的学术论文与取得的其他研究成果 | 第71页 |
