基于HMM/SVM混合架构的连续语音识别系统的研究
| 摘要 | 第1-5页 |
| Abstract | 第5-9页 |
| 第1章 绪论 | 第9-15页 |
| ·课题背景 | 第9-11页 |
| ·国内外发展现状 | 第11-13页 |
| ·国外研究现状 | 第11-12页 |
| ·国内研究现状 | 第12-13页 |
| ·本文主要研究内容和论文的整体结构 | 第13-15页 |
| 第2章 基于HMM的连续语音识别系统 | 第15-27页 |
| ·引言 | 第15页 |
| ·隐马尔可夫模型 | 第15-23页 |
| ·HMM的定义 | 第16页 |
| ·HMM的三个基本问题 | 第16-19页 |
| ·HMM状态转移的拓扑结构 | 第19-21页 |
| ·HMM的类型 | 第21-23页 |
| ·基于HMM的语音识别系统的系统框架 | 第23-24页 |
| ·HMM在连续语音识别应用中存在的问题 | 第24-25页 |
| ·HMM与ANN的混合架构 | 第25-26页 |
| ·本章小结 | 第26-27页 |
| 第3章 统计学习理论和支持向量机 | 第27-40页 |
| ·引言 | 第27页 |
| ·统计学习理论 | 第27-32页 |
| ·问题的表示 | 第27页 |
| ·损失函数 | 第27-28页 |
| ·经验风险最小化 | 第28-29页 |
| ·复杂性与推广能力 | 第29-30页 |
| ·统计学习理论的核心内容 | 第30页 |
| ·VC维 | 第30-31页 |
| ·结构风险最小化 | 第31-32页 |
| ·支持向量机 | 第32-36页 |
| ·线性可分情况 | 第32-34页 |
| ·线性不可分情况 | 第34-35页 |
| ·支持向量机 | 第35-36页 |
| ·主要核函数 | 第36页 |
| ·SVM在模式识别上的应用 | 第36-37页 |
| ·支持向量机方法在本论文中的应用 | 第37-39页 |
| ·本章小结 | 第39-40页 |
| 第4章 HMM/SVM混合语音识别系统框架 | 第40-46页 |
| ·引言 | 第40页 |
| ·问题的提出 | 第40-41页 |
| ·分类器的设计 | 第41页 |
| ·SVM距离到后验概率的转化 | 第41-42页 |
| ·SVM特征矢量构建 | 第42-44页 |
| ·段落模型 | 第42-43页 |
| ·特征向量提取 | 第43-44页 |
| ·系统架构 | 第44-45页 |
| ·本章小结 | 第45-46页 |
| 第5章 系统实现与实验 | 第46-61页 |
| ·引言 | 第46页 |
| ·系统环境 | 第46页 |
| ·实现的评价模块 | 第46-47页 |
| ·桌面连续语音识别评测指标 | 第46-47页 |
| ·评价模块 | 第47页 |
| ·音节到汉字的转换 | 第47-50页 |
| ·实现步骤描述 | 第47-49页 |
| ·相关参数的选取 | 第49-50页 |
| ·实现的端点检测 | 第50-52页 |
| ·SVM分类器训练 | 第52-56页 |
| ·提取SVM训练的特征矢量 | 第52-54页 |
| ·正负样本的选择 | 第54-56页 |
| ·SVM分类器训练 | 第56页 |
| ·混合解码器 | 第56页 |
| ·混合框架下实验结果 | 第56-60页 |
| ·本章小结 | 第60-61页 |
| 结论 | 第61-62页 |
| 参考文献 | 第62-66页 |
| 致谢 | 第66页 |
