摘要 | 第4-5页 |
Abstract | 第5页 |
第一章 绪论 | 第9-13页 |
1.1 课题研究的背景、目的及意义 | 第9页 |
1.2 国内外语音识别技术的发展和现状 | 第9-11页 |
1.2.1 国外语音识别发展状况 | 第9-10页 |
1.2.2 国内语音识别发展状况 | 第10-11页 |
1.3 语音识别存在的难点及解决路径 | 第11-12页 |
1.4 论文的结构安排 | 第12-13页 |
第二章 语音技术的理论基础 | 第13-20页 |
2.1 语音信号的声学原理及数字模型 | 第13-16页 |
2.1.1 声学原理 | 第13页 |
2.1.2 激励模型 | 第13-14页 |
2.1.3 声道模型 | 第14-15页 |
2.1.4 辐射模型 | 第15-16页 |
2.2 语音信号的产生及特征分析 | 第16-17页 |
2.3 语音识别系统构成 | 第17-19页 |
2.3.1 语音识别系统基本框架 | 第17页 |
2.3.2 语音识别系统分类 | 第17-18页 |
2.3.3 语音识别方法简介 | 第18-19页 |
2.4 本章小结 | 第19-20页 |
第三章 语音识别的关键技术 | 第20-41页 |
3.1 语音信号的预处理 | 第20-24页 |
3.1.1 语音采样 | 第20页 |
3.1.2 预滤波 | 第20-21页 |
3.1.3 预加重 | 第21页 |
3.1.4 分帧和加窗 | 第21-23页 |
3.1.5 端点检测 | 第23-24页 |
3.2 常用的语音端点检测算法 | 第24-29页 |
3.2.1 基于时域能量和过零率检测 | 第24-25页 |
3.2.2 基于双门限法检测 | 第25-28页 |
3.2.3 基于熵函数法检测 | 第28-29页 |
3.3 语音频域分析及其特征提取 | 第29-34页 |
3.3.1 基音周期检测 | 第29-30页 |
3.3.2 共振峰估计 | 第30-31页 |
3.3.3 线性预测倒谱系数(LPCC) | 第31-32页 |
3.3.4 Mel频率倒谱系数(MFCC) | 第32-34页 |
3.4 基于HMM的语音训练与识别 | 第34-40页 |
3.4.1 HMM基本理论 | 第34-35页 |
3.4.2 HMM三个问题及其基本算法 | 第35-38页 |
3.4.3 HMM的实现 | 第38-40页 |
3.5 本章小结 | 第40-41页 |
第四章 语音识别关键技术的改进 | 第41-55页 |
4.1 基于EMD和改进小波熵的语音端点检测 | 第41-47页 |
4.1.1 经验模式分解(EMD)原理 | 第41-42页 |
4.1.2 小波分析原理及改进的小波熵 | 第42-44页 |
4.1.3 算法流程 | 第44页 |
4.1.4 实验分析结果 | 第44-47页 |
4.2 一种基于小波包变换加权自相关的基音检测算法 | 第47-52页 |
4.2.1 传统的基音周期检测算法分析 | 第47-48页 |
4.2.2 算法的基本原理 | 第48-50页 |
4.2.3 算法实现步骤 | 第50-51页 |
4.2.4 实验结果 | 第51-52页 |
4.3 改进的MFCC特征参数提取 | 第52-54页 |
4.4 本章小结 | 第54-55页 |
第五章 语音识别实验仿真系统实现与性能分析 | 第55-74页 |
5.1 MATLAB平台介绍 | 第55页 |
5.2 基于HMM系统的实现 | 第55-61页 |
5.2.0 系统实现的整体框图及实验安排 | 第55-56页 |
5.2.1 语音库的建立 | 第56页 |
5.2.2 语音的预处理 | 第56-59页 |
5.2.3 端点检测 | 第59-60页 |
5.2.4 特征提取 | 第60页 |
5.2.5 HMM模型参数选择 | 第60页 |
5.2.6 HMM模型的训练与识别 | 第60-61页 |
5.3 改进前后算法的识别性能分析与对比 | 第61-67页 |
5.4 语音识别演示系统的建立 | 第67-73页 |
5.4.1 系统主界面 | 第67页 |
5.4.2 语音录制模块 | 第67-69页 |
5.4.3 预处理模块 | 第69-71页 |
5.4.4 端点检测模块 | 第71-73页 |
5.4.5 语音识别模块 | 第73页 |
5.5 本章小结 | 第73-74页 |
第六章 总结和展望 | 第74-75页 |
致谢 | 第75-76页 |
攻读硕士学位期间主要的研究成果 | 第76-77页 |
参考文献 | 第77-80页 |
附录一 插图清单 | 第80-82页 |
附录二 图表清单 | 第82-83页 |
附录三 程序 | 第83-98页 |