基于HMM的语音识别系统的研究与实现
| 摘要 | 第4-5页 |
| Abstract | 第5-6页 |
| 第1章 引言 | 第10-16页 |
| 1.1 研究背景 | 第10-12页 |
| 1.2 研究意义 | 第12-13页 |
| 1.3 语音识别的发展历史 | 第13-14页 |
| 1.4 国内外研究现状及发展 | 第14页 |
| 1.5 研究内容 | 第14-15页 |
| 1.6 论文结构 | 第15-16页 |
| 第2章 语音信号分析与处理过程 | 第16-24页 |
| 2.1 语音信号的预处理 | 第16-19页 |
| 2.1.1 采样和量化 | 第16-17页 |
| 2.1.2 语音预加重 | 第17页 |
| 2.1.3 上下文表示 | 第17-18页 |
| 2.1.4 端点检测 | 第18-19页 |
| 2.2 语音信号的时域处理 | 第19-20页 |
| 2.2.1 短时能量 | 第19页 |
| 2.2.2 短时平均过零率 | 第19-20页 |
| 2.2.3 短时自相关函数 | 第20页 |
| 2.3 语音信号的频域分析 | 第20-23页 |
| 2.3.1 短时傅里叶变换 | 第20-21页 |
| 2.3.2 线性预测倒谱系数 | 第21-22页 |
| 2.3.3 Mel频率倒谱系数（MFCC） | 第22页 |
| 2.3.4 MFCC的提取过程 | 第22-23页 |
| 2.4 小结 | 第23-24页 |
| 第3章 相关技术 | 第24-35页 |
| 3.1 隐马尔科夫模型的定义 | 第24-25页 |
| 3.2 隐马尔科夫模型的元素 | 第25页 |
| 3.3 HMM的三个典型问题 | 第25-30页 |
| 3.3.1 前向算法 | 第25-27页 |
| 3.3.2 维特比算法 | 第27-28页 |
| 3.3.3 Baum--Welch算法 | 第28-30页 |
| 3.4 HMM训练和识别 | 第30-32页 |
| 3.4.1 HMM训练 | 第30-31页 |
| 3.4.2 HMM识别 | 第31-32页 |
| 3.5 建立HMM统计模型 | 第32-33页 |
| 3.6 HMM基本原理及在语音识别中的应用 | 第33-34页 |
| 3.7 小结 | 第34-35页 |
| 第4章 实验结果及分析 | 第35-46页 |
| 4.1 实验环境 | 第35页 |
| 4.1.1 硬件环境 | 第35页 |
| 4.1.2 软件环境 | 第35页 |
| 4.2 系统的实现 | 第35-41页 |
| 4.2.1 重要算法实现 | 第35-39页 |
| 4.2.2 HMM模型应用系统实现 | 第39-41页 |
| 4.3 语音识别系统的效果演示 | 第41-44页 |
| 4.4 语音识别系统的准确率 | 第44-45页 |
| 4.5 小结 | 第45-46页 |
| 第5章 结论与展望 | 第46-48页 |
| 5.1 结论 | 第46-47页 |
| 5.2 进一步研究方向 | 第47-48页 |
| 参考文献 | 第48-49页 |
| 作者简介及在学期间所取得的科研成果 | 第49-50页 |
| 致谢 | 第50页 |
