| 摘要 | 第5-7页 |
| ABSTRACT | 第7-8页 |
| 第1章 绪论 | 第9-16页 |
| 1.1 课题背景及意义 | 第9-13页 |
| 1.2 本文主要工作与特色 | 第13-16页 |
| 1.2.1 主要工作 | 第13-14页 |
| 1.2.2 特色及创新 | 第14-16页 |
| 第2章 预备知识 | 第16-32页 |
| 2.1 小波分析理论基础 | 第16-21页 |
| 2.1.1 一维连续小波变换 | 第16-17页 |
| 2.1.2 离散小波变换 | 第17-18页 |
| 2.1.3 一维正交MRA与Mallat算法 | 第18-21页 |
| 2.2 高阶累积量基础 | 第21-25页 |
| 2.2.1 高阶矩与高阶累积量的定义 | 第21-23页 |
| 2.2.2 高斯过程的高阶累积量 | 第23-24页 |
| 2.2.3 高阶累积量的性质 | 第24-25页 |
| 2.3 模式识别概念及关键技术 | 第25-31页 |
| 2.3.1 模式识别的基本概念 | 第25-26页 |
| 2.3.2 特征提取和选择 | 第26-28页 |
| 2.3.3 分类器的设计 | 第28页 |
| 2.3.4 神经网络模式识别方法 | 第28-30页 |
| 2.3.5 BP神经网络及其学习算法 | 第30-31页 |
| 2.4 本章小结 | 第31-32页 |
| 第3章 基于复小波的包络特征提取和识别 | 第32-44页 |
| 3.1 引言 | 第32页 |
| 3.2 HILBERT变换提取信号包络的原理及其缺点 | 第32-33页 |
| 3.3 复小波变换提取呼吸音包络特征 | 第33-40页 |
| 3.3.1 小波变换在提取信号包络中的应用 | 第33-34页 |
| 3.3.2 利用Morlet复值小波进行信号包络提取 | 第34-35页 |
| 3.3.3 利用Morlet小波进行呼吸音包络特征提取 | 第35-36页 |
| 3.3.4 特征提取结果与分析 | 第36-40页 |
| 3.4 识别及结果分析 | 第40-43页 |
| 3.5 本章小结 | 第43-44页 |
| 第4章 基于小波包的呼吸音特征提取和识别 | 第44-56页 |
| 4.1 小波包理论 | 第44-47页 |
| 4.1.1 小波包的定义与性质 | 第44-45页 |
| 4.1.2 小波包的空间分解 | 第45-46页 |
| 4.1.3 小波包算法 | 第46-47页 |
| 4.2 基于小波包的呼吸音特征提取 | 第47-50页 |
| 4.2.1 能量的表征 | 第47-48页 |
| 4.2.2 呼吸音信号的特征提取 | 第48-50页 |
| 4.3 基于小波包的呼吸音识别 | 第50-55页 |
| 4.3.1 特征提取的比较 | 第50-53页 |
| 4.3.2 神经网络识别结果与分析 | 第53-55页 |
| 4.4 本章小结 | 第55-56页 |
| 第5章 基于高阶谱的呼吸音特征提取 | 第56-66页 |
| 5.1 高阶谱的基本知识 | 第56-58页 |
| 5.2 基于高阶累积量的参数化呼吸音双谱分析 | 第58-61页 |
| 5.2.1 非高斯AR模型参数化的双谱分析 | 第58-59页 |
| 5.2.2 呼吸音信号的特征提取 | 第59-61页 |
| 5.3 特征提取实验结果及分析 | 第61-64页 |
| 5.4 本章小结 | 第64-66页 |
| 第6章 总结与展望 | 第66-67页 |
| 参考文献 | 第67-71页 |
| 致谢 | 第71-72页 |
| 攻读硕士学位期间发表的论文 | 第72-73页 |
| 学位论文评阅及答辩情况表 | 第73页 |
