感冒病人嗓音的特征提取与识别研究
| 摘要 | 第5-6页 |
| ABSTRACT | 第6-7页 |
| 1. 绪论 | 第11-21页 |
| 1.1 课题的研究背景及研究意义 | 第11-12页 |
| 1.2 课题研究现状 | 第12-19页 |
| 1.2.1 嗓音评估方法 | 第12-14页 |
| 1.2.2 特征提取技术 | 第14-18页 |
| 1.2.3 模式识别技术 | 第18-19页 |
| 1.3 本文结构 | 第19-21页 |
| 2. 语音信号的前端处理 | 第21-33页 |
| 2.1 语音产生的过程 | 第21-22页 |
| 2.2 语音信号的数字模型 | 第22-24页 |
| 2.2.1 激励模型 | 第22-23页 |
| 2.2.2 声道模型 | 第23-24页 |
| 2.2.3 辐射模型 | 第24页 |
| 2.3 语音信号的预处理 | 第24-31页 |
| 2.3.1 语音的采样和量化 | 第24-25页 |
| 2.3.2 预加重 | 第25-28页 |
| 2.3.3 分帧与加窗 | 第28-29页 |
| 2.3.4 端点识别 | 第29-31页 |
| 2.4 本章小结 | 第31-33页 |
| 3. 语音信号的特征提取与研究 | 第33-47页 |
| 3.1 语音信号的基音提取 | 第33-38页 |
| 3.1.1 基于归一化互相关函数的基音检测 | 第33-34页 |
| 3.1.2 基于振幅压缩滤波器的基音估计算法 | 第34-37页 |
| 3.1.3 实验对象感冒前后语音基频对比 | 第37-38页 |
| 3.2 语音信号共振峰提取 | 第38-43页 |
| 3.2.1 基于倒谱法的共振峰检测 | 第38-42页 |
| 3.2.2 共振峰提取结果分析 | 第42-43页 |
| 3.3 语音信号的MEL倒谱系数分析 | 第43-46页 |
| 3.3.1 人耳对频率的感知特性 | 第43-44页 |
| 3.3.2 MFCC的提取 | 第44-45页 |
| 3.3.3 MFCC提取结果 | 第45-46页 |
| 3.4 本章小结 | 第46-47页 |
| 4. 感冒嗓音的识别 | 第47-55页 |
| 4.1 神经网络概述 | 第47-49页 |
| 4.2 BP神经网络 | 第49-51页 |
| 4.3 基于BP神经网络的感冒嗓音识别 | 第51-53页 |
| 4.3.1 特征的向量的构造 | 第51页 |
| 4.3.2 神经网络模型构建 | 第51-53页 |
| 4.3.3 感冒嗓音和正常嗓音的分类结果 | 第53页 |
| 4.4 本章小结 | 第53-55页 |
| 5. 感冒嗓音识别系统在智能手表上的实现 | 第55-65页 |
| 5.1 系统环境 | 第55页 |
| 5.2 系统功能与框架 | 第55-58页 |
| 5.3 系统各模块设计 | 第58-64页 |
| 5.3.1 数据库设计 | 第58-59页 |
| 5.3.2 Socket Server设计 | 第59-60页 |
| 5.3.3 语音识别算法 | 第60-61页 |
| 5.3.4 Web接口设计 | 第61-62页 |
| 5.3.5 Android客户端设计 | 第62-64页 |
| 5.4 本章小结 | 第64-65页 |
| 6. 总结与展望 | 第65-67页 |
| 6.1 研究工作总结 | 第65-66页 |
| 6.2 未来工作展望 | 第66-67页 |
| 参考文献 | 第67-71页 |
| 致谢 | 第71-73页 |
| 个人简历 | 第73-75页 |
| 攻读学位期间发表的学术论文与取得的其它研究成果 | 第75页 |
