互联网才艺表演音频分类的研究
| 致谢 | 第1-6页 |
| 中文摘要 | 第6-7页 |
| ABSTRACT | 第7-10页 |
| 1 绪论 | 第10-17页 |
| ·音频分类的研究背景及意义 | 第10-13页 |
| ·国内外的研究历史和现状 | 第13-14页 |
| ·本文主要工作和论文结构 | 第14-17页 |
| 2 音频分类的概述 | 第17-35页 |
| ·音频分类技术简介 | 第17页 |
| ·音频信号数字化 | 第17-19页 |
| ·音频信号的采样 | 第18页 |
| ·音频信号的量化 | 第18-19页 |
| ·音频前端处理技术 | 第19-22页 |
| ·预加重 | 第19-20页 |
| ·音频分帧处理 | 第20-22页 |
| ·音频特征简要分析 | 第22-34页 |
| ·基于帧的音频特征分析 | 第23-30页 |
| ·基于片段的音频特征分析 | 第30-34页 |
| ·音频分类的常用方法简介 | 第34-35页 |
| 3 音频特征的提取与选择 | 第35-47页 |
| ·音频特征的提取 | 第35-39页 |
| ·MFCC系数 | 第35-38页 |
| ·MFCC差分系数 | 第38-39页 |
| ·音频特征的选择 | 第39-47页 |
| ·Adaboost原理简介 | 第39-40页 |
| ·Adaboost主要解决的问题 | 第40页 |
| ·Adaboost算法分析 | 第40-42页 |
| ·Adaboost的特征选择算法 | 第42-43页 |
| ·Adaboost中弱分类器的选择 | 第43-47页 |
| 4 分类器的选择与设计 | 第47-60页 |
| ·常用的分类器的设计方法 | 第47-49页 |
| ·基于规则的方法 | 第47-48页 |
| ·最小距离的方法 | 第48页 |
| ·统计模型的方法 | 第48-49页 |
| ·音频分类中常用的分类器 | 第49-51页 |
| ·隐马尔科夫模型(HMM) | 第49页 |
| ·支持向量机(SVM) | 第49-50页 |
| ·人工神经网络(ANN) | 第50页 |
| ·高斯混合模型(GMM) | 第50-51页 |
| ·高斯混合模型 | 第51-54页 |
| ·高斯混合模型的基本概念 | 第51页 |
| ·高斯混合模型的描述 | 第51-53页 |
| ·高斯混合模型的训练算法 | 第53-54页 |
| ·EM算法 | 第54-55页 |
| ·EM算法简介 | 第54-55页 |
| ·EM算法原理 | 第55页 |
| ·EM算法在GMM中的参数估计 | 第55-57页 |
| ·基于GMM模型的音频分类系统 | 第57-60页 |
| 5 基于特征筛选的音频分类算法的设计与实现 | 第60-70页 |
| ·特征提取与选择 | 第60-62页 |
| ·分类方法框架及分类器的设计 | 第62-64页 |
| ·音频分类方法整体框架 | 第62-64页 |
| ·分类器的设计 | 第64页 |
| ·实验、结果及分析 | 第64-70页 |
| ·实验数据的准备 | 第64-66页 |
| ·实验结果与分析 | 第66-70页 |
| 6 总结与展望 | 第70-72页 |
| 参考文献 | 第72-74页 |
| 作者简历 | 第74-76页 |
| 学位论文数据集 | 第76页 |
