基于深度信念网络的语音情感识别
| 摘要 | 第5-6页 |
| Abstract | 第6页 |
| 第1章 绪论 | 第9-15页 |
| 1.1 语音情感识别研究背景 | 第9-10页 |
| 1.2 语音情感识别研究现状 | 第10-11页 |
| 1.3 深度学习神经网络发展现状 | 第11-13页 |
| 1.4 论文组织架构 | 第13-14页 |
| 1.5 本章小结 | 第14-15页 |
| 第2章 语音情感识别的基本理论 | 第15-25页 |
| 2.1 语音信号预处理 | 第15-17页 |
| 2.1.1 采样与量化 | 第15-16页 |
| 2.1.2 分帧与加窗 | 第16-17页 |
| 2.2 语音情感特征及其提取 | 第17-19页 |
| 2.2.1 倒谱特征MFCC | 第17-18页 |
| 2.2.2 语音短时能量 | 第18页 |
| 2.2.3 语音短时过零率 | 第18-19页 |
| 2.3 特征选择算法 | 第19-20页 |
| 2.4 语音情感识别分类算法 | 第20-24页 |
| 2.4.1 BP神经网络 | 第20-21页 |
| 2.4.2 隐马尔科夫模型HMM | 第21-22页 |
| 2.4.3 支持向量机SVM | 第22-23页 |
| 2.4.4 Softmax分类器 | 第23页 |
| 2.4.5 集成学习 | 第23-24页 |
| 2.5 本章小结 | 第24-25页 |
| 第3章 传统人工神经网络基本理论 | 第25-32页 |
| 3.1 神经网络模型 | 第25-28页 |
| 3.2 神经网络分类 | 第28-29页 |
| 3.3 人工神经网络应用及发展趋势 | 第29-31页 |
| 3.3.1 人工神经网络的应用 | 第29-30页 |
| 3.3.2 人工神经网络发展趋势 | 第30-31页 |
| 3.4 本章小结 | 第31-32页 |
| 第4章 深度学习神经网络基本理论 | 第32-41页 |
| 4.1 深度学习概述 | 第32-33页 |
| 4.2 深度学习常用模型种类 | 第33-39页 |
| 4.2.1 卷积神经网络 | 第34-36页 |
| 4.2.2 深度信念网络 | 第36-39页 |
| 4.2.3 自编码神经网络 | 第39页 |
| 4.3 小结 | 第39-41页 |
| 第5章 基于集成学习和深度信念网络的语音情感识别 | 第41-56页 |
| 5.1 概述 | 第41页 |
| 5.2 实验数据库介绍 | 第41-42页 |
| 5.3 实验评价标准及改进算法模型 | 第42-46页 |
| 5.3.1 实验评价标准 | 第42-43页 |
| 5.3.2 算法模型 | 第43-46页 |
| 5.4 特征抽取维度及子空间规模选择 | 第46-49页 |
| 5.5 集成分类器选择对比实验 | 第49-51页 |
| 5.6 ESDBNS与其他算法模型对比实验 | 第51-52页 |
| 5.7 基于FAU数据库的说话人独立实验 | 第52-55页 |
| 5.7.1 基于FAU数据库的对比实验 | 第54-55页 |
| 5.8 本章小结 | 第55-56页 |
| 总结与展望 | 第56-58页 |
| 参考文献 | 第58-63页 |
| 攻读硕士学位期间取得的研究成果 | 第63-64页 |
| 致谢 | 第64-65页 |
| 附件 | 第65页 |
