| 摘要 | 第5-7页 |
| Abstract | 第7-8页 |
| 第1章 绪论 | 第11-16页 |
| 1.1 研究的背景和意义 | 第11-12页 |
| 1.2 国内外研究现状 | 第12-14页 |
| 1.3 研究内容及论文结构 | 第14-16页 |
| 1.3.1 研究内容 | 第14-15页 |
| 1.3.2 论文结构 | 第15-16页 |
| 第2章 语音识别技术基础 | 第16-23页 |
| 2.1 声学特征提取 | 第16-18页 |
| 2.2 声学模型 | 第18-20页 |
| 2.2.1 声学基元 | 第18-19页 |
| 2.2.2 HMM声学建模 | 第19-20页 |
| 2.3 语言模型 | 第20-21页 |
| 2.4 语音解码 | 第21页 |
| 2.5 本章小结 | 第21-23页 |
| 第3章 基于深度学习的语音信号特征提取 | 第23-41页 |
| 3.1 深度学习介绍 | 第23-25页 |
| 3.1.1 人工神经网络概念 | 第23-24页 |
| 3.1.2 深度学习的起源与发展 | 第24-25页 |
| 3.2 深度学习的特点及其学习模型分类 | 第25-30页 |
| 3.2.1 自动编码器 | 第25-26页 |
| 3.2.2 卷积神经网络 | 第26-27页 |
| 3.2.3 递归神经网络 | 第27-28页 |
| 3.2.4 深度信念网络 | 第28-30页 |
| 3.3 自动编码器演变 | 第30-32页 |
| 3.4 基于自动编码器改进的语音特征编码器设计 | 第32-40页 |
| 3.4.1 自动编码器改进 | 第33-35页 |
| 3.4.2 降噪栈式自动编码器 | 第35-36页 |
| 3.4.3 降噪栈式自动编码器结构设计 | 第36-37页 |
| 3.4.4 降噪栈式编码器训练及性能评价 | 第37-40页 |
| 3.5 本章小结 | 第40-41页 |
| 第4章 基于DNN-HMM模型的语音识别研究与设计 | 第41-62页 |
| 4.1 声学模型中的深度学习研究 | 第41-45页 |
| 4.1.1 GMM-HMM与DNN-HMM模型比较 | 第41-43页 |
| 4.1.2 DNN-HMM模型设计 | 第43-44页 |
| 4.1.3 DNN-HMM模型训练方法 | 第44-45页 |
| 4.2 控制系统特性分析 | 第45-46页 |
| 4.3 识别系统设计 | 第46-50页 |
| 4.3.1 语言模型设计 | 第46-47页 |
| 4.3.2 语法设计 | 第47-48页 |
| 4.3.3 声韵母的声学基元设计 | 第48-49页 |
| 4.3.4 解码器设计 | 第49-50页 |
| 4.4 HTK平台下语音识别系统搭建 | 第50-59页 |
| 4.4.1 HTK识别框架 | 第51-52页 |
| 4.4.2 语音特征提取 | 第52-53页 |
| 4.4.3 数据准备 | 第53-54页 |
| 4.4.4 声学模型训练 | 第54-58页 |
| 4.4.5 解码识别 | 第58-59页 |
| 4.5 系统评估及分析 | 第59-61页 |
| 4.5.1 系统评估 | 第59-60页 |
| 4.5.2 实验分析 | 第60-61页 |
| 4.6 本章小结 | 第61-62页 |
| 第5章 语音识别控制器设计与实现 | 第62-67页 |
| 5.1 控制器总体设计 | 第62-64页 |
| 5.2 语音识别控制器系统流程 | 第64-65页 |
| 5.3 实验结果 | 第65-66页 |
| 5.3.1 实验过程 | 第65-66页 |
| 5.3.2 识别结果 | 第66页 |
| 5.4 本章小结 | 第66-67页 |
| 总结与展望 | 第67-69页 |
| 参考文献 | 第69-73页 |
| 致谢 | 第73-74页 |
| 附录A (攻读学位期间发表的论文、专利和参与项目) | 第74页 |
