| 中文摘要 | 第3-4页 |
| 英文摘要 | 第4-5页 |
| 第一章 绪论 | 第8-16页 |
| 1.1 语音识别概述 | 第8-12页 |
| 1.1.1 语音识别的研究历史及现状 | 第9-10页 |
| 1.1.2 深度学习语音识别 | 第10-12页 |
| 1.2 语音识别系统分类 | 第12-13页 |
| 1.3 语音识别的原理 | 第13-14页 |
| 1.4 论文组织架构 | 第14-15页 |
| 1.5 本章小结 | 第15-16页 |
| 第二章 受限玻尔兹曼机 | 第16-31页 |
| 2.1 玻尔兹曼机与受限玻尔兹曼机 | 第16-17页 |
| 2.2 受限玻尔兹曼机基本模型 | 第17-22页 |
| 2.3 基于对比散度的训练RBM模型方法 | 第22-27页 |
| 2.3.1 对比散度理论背景 | 第23-25页 |
| 2.3.2 Gibbs采样 | 第25-27页 |
| 2.4 基于对比散度训练（CD）RBM模型的主要流程 | 第27-28页 |
| 2.5 高斯受限玻尔兹曼机（GRBM） | 第28-30页 |
| 2.6 本章小结 | 第30-31页 |
| 第三章 并行回火算法改进的GRBM | 第31-44页 |
| 3.1 马尔可夫链 | 第31-34页 |
| 3.2 Metropolis‐Hastings算法 | 第34-36页 |
| 3.3 并行回火 | 第36-43页 |
| 3.3.1 并行回火RBM（RBM‐PT） | 第38-40页 |
| 3.3.2 基于并行回火改进的GRBM | 第40-43页 |
| 3.4 本章小结 | 第43-44页 |
| 第四章 改进对比散度的GRBM模型 | 第44-51页 |
| 4.1 对比散度改进概述 | 第44-46页 |
| 4.2 指数平均数指标（EMA）算法 | 第46-50页 |
| 4.2.1 基于EMA改进对比散度的GRBM模型 | 第46-48页 |
| 4.2.2 基于改进对比散度的GRBM算法描述 | 第48-50页 |
| 4.3 本章小结 | 第50-51页 |
| 第五章 改进GRBM的语音识别系统 | 第51-68页 |
| 5.1 语音识别系统的整体模型 | 第52-56页 |
| 5.1.1 预处理 | 第53-56页 |
| 5.1.1.1 采样 | 第53-54页 |
| 5.1.1.2 量化 | 第54页 |
| 5.1.1.3 加窗分帧 | 第54-55页 |
| 5.1.1.4 特征提取 | 第55-56页 |
| 5.2 语音样本库建立 | 第56-58页 |
| 5.2.1 实验配置 | 第57页 |
| 5.2.2 实验对比模型 | 第57-58页 |
| 5.3 GRBM‐PT语音识别实验及分析 | 第58-63页 |
| 5.3.1 GRBM‐PT实验结果 | 第58-61页 |
| 5.3.2 模型分析 | 第61-63页 |
| 5.4 改进对比散度的GRBM的语音识别实验及分析 | 第63-67页 |
| 5.4.1 改进对比散度的GRBM的语音实验结果 | 第63-64页 |
| 5.4.2 改进对比散度的GRBM模型的曲线分析 | 第64-67页 |
| 5.5 本章小结 | 第67-68页 |
| 第六章 基于ARM的语音识别系统 | 第68-79页 |
| 6.1 系统硬件实现 | 第68-72页 |
| 6.1.1 嵌入式系统概述 | 第68-70页 |
| 6.1.2 系统硬件平台——TQ2440 开发板 | 第70-71页 |
| 6.1.3 嵌入式Linux系统搭建 | 第71-72页 |
| 6.2 系统软件实现 | 第72-75页 |
| 6.2.1 逻辑回归 | 第73页 |
| 6.2.2 逻辑回归理论推导 | 第73-75页 |
| 6.3 基于ARM的语音识别实验及分析 | 第75-78页 |
| 6.3.1 实验模型 | 第75-76页 |
| 6.3.2 实验结果与分析 | 第76-77页 |
| 6.3.3 误差分析 | 第77-78页 |
| 6.4 本章小结 | 第78-79页 |
| 第七章 工作总结与展望 | 第79-81页 |
| 7.1 工作总结 | 第79-80页 |
| 7.2 展望 | 第80-81页 |
| 参考文献 | 第81-86页 |
| 攻读硕士学位期间发表学术论文 | 第86-87页 |
| 致谢 | 第87页 |
