| 摘要 | 第5-7页 |
| Abstract | 第7-8页 |
| 第一章 绪论 | 第12-16页 |
| 1.1 研究背景和意义 | 第12-13页 |
| 1.2 国内外研究现状 | 第13-14页 |
| 1.3 论文的主要工作及组织结构 | 第14-16页 |
| 第二章 论文相关基础知识 | 第16-35页 |
| 2.1 语音识别概述 | 第16-17页 |
| 2.2 声学特征提取 | 第17-21页 |
| 2.2.1 线性预测系数 | 第17-19页 |
| 2.2.2 梅尔频率倒谱系数 | 第19-21页 |
| 2.2.3 滤波器组特征 | 第21页 |
| 2.3 语言模型 | 第21-22页 |
| 2.4 声学模型 | 第22-23页 |
| 2.5 深度学习相关基础知识 | 第23-34页 |
| 2.5.1 前向传导算法 | 第24-26页 |
| 2.5.2 反向传播算法 | 第26-28页 |
| 2.5.3 递归神经网络 | 第28-30页 |
| 2.5.4 长短期记忆网络 | 第30-32页 |
| 2.5.5 卷积神经网络 | 第32-34页 |
| 2.6 本章小结 | 第34-35页 |
| 第三章 提升卷积神经网络模型性能的研究 | 第35-64页 |
| 3.1 基于LeNet-5的模型设计 | 第35-41页 |
| 3.2 激活函数的选择 | 第41-44页 |
| 3.3 输出层的激活函数与损失函数的选择 | 第44-47页 |
| 3.4 防止过拟合策略 | 第47-50页 |
| 3.5 适配部分参数优化网络模型 | 第50-63页 |
| 3.5.1 学习率的适配 | 第50-54页 |
| 3.5.2 步长的适配 | 第54-63页 |
| 3.6 本章小结 | 第63-64页 |
| 第四章 随机稀疏度的Dropout策略的研究 | 第64-77页 |
| 4.1 传统Dropout防过拟合的不足 | 第64页 |
| 4.2 随机稀疏度Dropout策略 | 第64-68页 |
| 4.3 实验结果分析 | 第68-75页 |
| 4.3.1 随机稀疏度Dropout应用于七层卷积神经网络模型 | 第68-72页 |
| 4.3.2 随机稀疏度Dropout应用于九层卷积神经网络模型 | 第72-75页 |
| 4.4 本章小结 | 第75-77页 |
| 第五章 使用Average Pooling对特征进行平滑处理的研究 | 第77-87页 |
| 5.1 Average Pooling平均池化层 | 第77页 |
| 5.2 Average Pooling对特征进行平滑处理 | 第77-78页 |
| 5.3 实验结果分析 | 第78-86页 |
| 5.3.1 对七层卷积神经网络模型进行特征平滑处理 | 第78-82页 |
| 5.3.2 对九层卷积神经网络模型进行特征平滑处理 | 第82-86页 |
| 5.6 本章小结 | 第86-87页 |
| 总结与展望 | 第87-89页 |
| 6.1 课题总结 | 第87-88页 |
| 6.2 未来展望 | 第88-89页 |
| 参考文献 | 第89-93页 |
| 攻读硕士学位期间取得的研究成果 | 第93-94页 |
| 致谢 | 第94-95页 |
| 附件 | 第95页 |
