| 摘要 | 第5-7页 |
| ABSTRACT | 第7-8页 |
| 第1章 绪论 | 第14-23页 |
| 1.1 语音识别概述 | 第14页 |
| 1.2 国内外研究现状 | 第14-16页 |
| 1.3 语音信号和语音识别系统 | 第16-20页 |
| 1.3.1 语音信号的特征与感知 | 第16-18页 |
| 1.3.2 语音识别系统 | 第18-20页 |
| 1.4 课题的研究内容 | 第20-21页 |
| 1.5 章节安排 | 第21-23页 |
| 第2章 基于信噪比能零熵的端点检测算法 | 第23-31页 |
| 2.1 引言 | 第23页 |
| 2.2 传统的语音端点检测算法 | 第23-27页 |
| 2.2.1 短时能零积算法 | 第24页 |
| 2.2.2 基于倒谱特征的方法 | 第24-25页 |
| 2.2.3 基于谱熵的方法 | 第25-26页 |
| 2.2.4 语音端点检测算法分类与比较 | 第26-27页 |
| 2.3 一种基于信噪比能零熵的端点检测的新算法 | 第27-28页 |
| 2.3.1 信噪比能零熵理论基础 | 第27-28页 |
| 2.3.2 基于信噪比能零熵端点检测新算法 | 第28页 |
| 2.4 与传统语音端点检测算法的比较 | 第28-30页 |
| 2.5 小结 | 第30-31页 |
| 第3章 基于多尺度MFCC的特征参数提取算法 | 第31-37页 |
| 3.1 引言 | 第31页 |
| 3.2 常用语音特征参数提取技术 | 第31-34页 |
| 3.2.1 LPCC(LinearPrediction Cepstrum Coefficients) | 第31页 |
| 3.2.2 MFCC(Mel-Frequency Cepstrum Coefficients) | 第31-32页 |
| 3.2.3 Bark子波 | 第32-33页 |
| 3.2.4 基于人耳听觉特征的语音信号特征 | 第33-34页 |
| 3.3 一种基于多尺度MFCC的特征参数提取的新算法 | 第34-35页 |
| 3.4 多尺度MFCC算法与传统特征参数提取算法的比较 | 第35-36页 |
| 3.5 小结 | 第36-37页 |
| 第4章 基于NPASVM的分类算法 | 第37-51页 |
| 4.1 引言 | 第37页 |
| 4.2 常见的分类识别算法 | 第37-47页 |
| 4.2.1 神经网络 | 第37-40页 |
| 4.2.2 支持向量机 | 第40-47页 |
| 4.3 一种基于NPASVM分类的新算法 | 第47-49页 |
| 4.3.1 最近点问题 | 第47-48页 |
| 4.3.2 NPA算法 | 第48页 |
| 4.3.3 NPA算法流程 | 第48-49页 |
| 4.4 NPASVM分类算法与SVM分类算法的比较 | 第49-50页 |
| 4.5 小结 | 第50-51页 |
| 第5章 语音识别系统的设计及仿真实现 | 第51-59页 |
| 5.1 引言 | 第51页 |
| 5.2 语音识别系统的搭建 | 第51-52页 |
| 5.3 语音识别系统的实现 | 第52-57页 |
| 5.3.1 语音语料库的建立及语音信号的数字化 | 第52页 |
| 5.3.2 语音信号的预处理 | 第52-53页 |
| 5.3.3 语音信号的端点检测 | 第53页 |
| 5.3.4 语音信号的鲁棒特征提取 | 第53-55页 |
| 5.3.5 语音信号的训练识别 | 第55-57页 |
| 5.4 语音识别的结果与分析 | 第57-58页 |
| 5.5 小结 | 第58-59页 |
| 第6章 总结与展望 | 第59-61页 |
| 6.1 本文总结 | 第59-60页 |
| 6.2 研究展望 | 第60-61页 |
| 参考文献 | 第61-64页 |
| 致谢 | 第64页 |
