面向仪表校验机器人的自然语言理解研究
| 摘要 | 第4-5页 |
| ABSTRACT | 第5-6页 |
| 第1章 绪论 | 第10-18页 |
| 1.1 课题的目的和意义 | 第10-11页 |
| 1.2 语音识别简介 | 第11-12页 |
| 1.3 课题的国内外研究现状 | 第12-16页 |
| 1.3.1 语音识别的国外研究现状 | 第12-14页 |
| 1.3.2 语音识别的国内研究现状 | 第14-16页 |
| 1.4 本文主要研究内容 | 第16-18页 |
| 第2章 语音信号预处理及特征提取方法研究 | 第18-30页 |
| 2.1 引言 | 第18页 |
| 2.2 语音识别系统总体方案设计 | 第18-19页 |
| 2.3 语音数据库的创建 | 第19-22页 |
| 2.3.1 录制原始语料 | 第19-20页 |
| 2.3.2 选取识别基元 | 第20-21页 |
| 2.3.3 建立语音标注文件 | 第21-22页 |
| 2.4 语音信号的预处理 | 第22-24页 |
| 2.4.1 预加重 | 第22-23页 |
| 2.4.2 短时加窗处理 | 第23-24页 |
| 2.5 特征参数提取 | 第24-29页 |
| 2.5.1 LPCC参数 | 第24-26页 |
| 2.5.2 MFCC参数 | 第26-27页 |
| 2.5.3 LPCC参数与MFCC参数性能比对 | 第27-28页 |
| 2.5.4 39 维特征参数提取 | 第28-29页 |
| 2.6 本章小结 | 第29-30页 |
| 第3章 声学建模及仪表校验指令识别 | 第30-44页 |
| 3.1 引言 | 第30页 |
| 3.2 隐马尔可夫模型简介 | 第30-32页 |
| 3.3 隐马尔可夫模型建模 | 第32-38页 |
| 3.3.1 原始模型定义 | 第33-34页 |
| 3.3.2 模型训练 | 第34-38页 |
| 3.4 识别模块实现 | 第38-42页 |
| 3.4.1 编写目标语法 | 第38-39页 |
| 3.4.2 Viterbi算法 | 第39-40页 |
| 3.4.3 基于Viterbi算法的令牌传递法 | 第40-42页 |
| 3.5 仪表校验指令识别实验 | 第42-43页 |
| 3.5.1 Monophone模型识别实验 | 第42页 |
| 3.5.2 Triphone模型识别实验 | 第42-43页 |
| 3.6 本章小结 | 第43-44页 |
| 第4章 面向仪表校验机器人的语言模型训练 | 第44-58页 |
| 4.1 引言 | 第44页 |
| 4.2 语言模型简介 | 第44-48页 |
| 4.2.1 基于规则的语言模型 | 第44-45页 |
| 4.2.2 基于统计的语言模型 | 第45-48页 |
| 4.3 统计语言模型平滑技术 | 第48-53页 |
| 4.3.1 加法平滑技术 | 第48-49页 |
| 4.3.2 回退平滑技术 | 第49-50页 |
| 4.3.3 插值平滑技术 | 第50-53页 |
| 4.4 面向仪表校验机器人的语言模型总体设计 | 第53页 |
| 4.5 二元文法统计语言模型建模 | 第53-55页 |
| 4.6 语言模型应用实验 | 第55-57页 |
| 4.7 本章小结 | 第57-58页 |
| 第5章 说话人自适应技术研究 | 第58-70页 |
| 5.1 引言 | 第58页 |
| 5.2 语音自适应技术简介 | 第58-60页 |
| 5.2.1 语音差异性分析 | 第58-59页 |
| 5.2.2 说话人自适应简介 | 第59-60页 |
| 5.3 MAP算法应用及实验 | 第60-63页 |
| 5.3.1 MAP算法简介 | 第60-62页 |
| 5.3.2 基于MAP算法的自适应实验 | 第62-63页 |
| 5.4 MLLR算法应用及实验 | 第63-67页 |
| 5.4.1 MLLR算法简介 | 第63-67页 |
| 5.4.2 基于MLLR算法的自适应实验 | 第67页 |
| 5.5 MAP/MLLR算法相结合的应用与实验 | 第67-69页 |
| 5.6 本章小结 | 第69-70页 |
| 结论 | 第70-72页 |
| 参考文献 | 第72-77页 |
| 致谢 | 第77页 |
