孤立词语音识别算法研究与实现
| 摘要 | 第2-3页 |
| Abstract | 第3页 |
| 第一章 引言 | 第6-10页 |
| 1.1 研究背景及意义 | 第6页 |
| 1.2 国内外语音识别技术发展历史及其现状 | 第6-8页 |
| 1.2.1 国内外语音识别技术的发展历程 | 第6-7页 |
| 1.2.2 语音识别技术发展现状 | 第7-8页 |
| 1.3 语音识别研究面临的问题及其发展趋势 | 第8-9页 |
| 1.3.1 语音识别研究面临的问题 | 第8页 |
| 1.3.2 语音识别未来的趋势 | 第8-9页 |
| 1.4 论文研究的主要内容及组织结构 | 第9-10页 |
| 第二章 语音识别的信号预处理 | 第10-18页 |
| 2.1 语音信号处理简介 | 第10-14页 |
| 2.1.1 语音的产生过程 | 第10-11页 |
| 2.1.2 语音信号的特征 | 第11页 |
| 2.1.3 语音信号产生模型 | 第11-14页 |
| 2.2 语音信号的预处理 | 第14-18页 |
| 2.2.1 语音信号的采样和量化 | 第14-15页 |
| 2.2.2 语音信号的预加重 | 第15-16页 |
| 2.2.3 语音信号的加窗处理 | 第16-18页 |
| 第三章 语音识别技术基本原理 | 第18-36页 |
| 3.1 语音信号的时域分析 | 第18-23页 |
| 3.1.1 短时能量分析 | 第18-19页 |
| 3.1.2 短时平均过零率 | 第19页 |
| 3.1.3 短时自相关函数 | 第19-20页 |
| 3.1.4 短时平均幅度差函数 | 第20-21页 |
| 3.1.5 端点检测 | 第21-23页 |
| 3.2 语音信号的时域特征参数 | 第23页 |
| 3.3 语音信号的频域特征参数的提取 | 第23-26页 |
| 3.4 语音识别的方法 | 第26-34页 |
| 3.4.1 动态时间规整算法(DTW) | 第26-27页 |
| 3.4.2 隐马尔可夫模型(HMM) | 第27-31页 |
| 3.4.3 人工神经网络 | 第31-34页 |
| 3.5 语音识别训练方法 | 第34-36页 |
| 3.5.1 偶然训练法 | 第34页 |
| 3.5.2 鲁棒性训练法 | 第34-35页 |
| 3.5.3 聚类训练法 | 第35-36页 |
| 第四章 基于DTW的语音识别和并行优化 | 第36-44页 |
| 4.1 改进的动态时间规整算法(DTW) | 第36-37页 |
| 4.2 SIMD并行计算编程技术 | 第37-38页 |
| 4.3 基于SSE技术的语音识别并行优化 | 第38页 |
| 4.4 SSE优化测度计算方案 | 第38-40页 |
| 4.4.1 在矩阵运算中使用SIMD浮点指令 | 第38-39页 |
| 4.4.2 内存优化 | 第39页 |
| 4.4.3 循环优化 | 第39-40页 |
| 4.4.4 优化测度计算 | 第40页 |
| 4.5 基于SIMD并行处理的FFT快速算法 | 第40-44页 |
| 4.5.1 数据组织 | 第40-41页 |
| 4.5.2 运用SSE3指令完成高效复数乘法 | 第41-44页 |
| 第五章 孤立词语音识别算法实验结果与分析 | 第44-50页 |
| 5.1 语音识别算法实现基本构成 | 第44页 |
| 5.2 各个模块的算法实现 | 第44-50页 |
| 5.2.1 端点检测 | 第44-46页 |
| 5.2.2 特征参数提取 | 第46-47页 |
| 5.2.3 模式匹配 | 第47-50页 |
| 第六章 总结与展望 | 第50-52页 |
| 6.1 论文的总结 | 第50页 |
| 6.2 展望 | 第50-52页 |
| 参考文献 | 第52-55页 |
| 攻读学位期间的研究成果 | 第55-56页 |
| 致谢 | 第56-57页 |
