| 摘要 | 第1-4页 |
| Abstract | 第4-6页 |
| 目录 | 第6-8页 |
| 1 引言 | 第8-17页 |
| 1．1 语音识别 | 第8-14页 |
| 1．1．1 语音识别的意义 | 第8-9页 |
| 1．1．2 语音识别的发展历史 | 第9-11页 |
| 1．1．3 语音识别的发展现状 | 第11-12页 |
| 1．1．4 语音识别的分类 | 第12-14页 |
| 1．2 噪声环境下的语音识别 | 第14-15页 |
| 1．3 本文的主要内容和结构 | 第15-17页 |
| 2 语音识别基础 | 第17-36页 |
| 2．1 语音识别基本原理 | 第17-18页 |
| 2．2 特征表示与提取 | 第18-20页 |
| 2．2．1 Mel频率倒谱系数(MFCCs) | 第18-20页 |
| 2．3 模板匹配技术 | 第20-23页 |
| 2．3．1 动态时间归整(DTW) | 第21-23页 |
| 2．4 隐马尔可夫模型(Hidden Markov Model, HMM) | 第23-28页 |
| 2．4．1 基本概念 | 第23-24页 |
| 2．4．2 经典问题 | 第24-28页 |
| 2．5 噪声环境下的语音识别 | 第28-34页 |
| 2．5．1 噪声的来源及对语音特征的影响 | 第29-31页 |
| 2．5．2 噪声环境下语音识别技术 | 第31-34页 |
| 2．6 实验数据包 | 第34-36页 |
| 2．6．1 语音 | 第34页 |
| 2．6．2 噪声 | 第34-35页 |
| 2．6．3 带噪语音 | 第35-36页 |
| 3 基于DTW／LVQ的语音识别研究 | 第36-45页 |
| 3．1 动态时间规整算法 | 第36-38页 |
| 3．1．1 DTW算法描述 | 第36-37页 |
| 3．1．2 非特定人识别的模板训练方法——聚类 | 第37-38页 |
| 3．2 学习矢量量化(LVQ) | 第38-40页 |
| 3．3 基于DTW／LVQ混合模型的孤立词识别系统 | 第40-44页 |
| 3．3．1 识别原理及网络训练 | 第40-43页 |
| 3．3．2 实验结果及其分析 | 第43-44页 |
| 3．4 本章小结 | 第44-45页 |
| 4 基于HMM和小波神经网络的语音识别 | 第45-60页 |
| 4．1 小波分析 | 第45-47页 |
| 4．1．1 连续小波变换 | 第46页 |
| 4．1．2 小波基和框架 | 第46-47页 |
| 4．2 小波神经网络 | 第47-51页 |
| 4．2．1 小波神经网络的结构形式 | 第48-49页 |
| 4．2．2 小波神经网络的设计及其学习算法 | 第49-51页 |
| 4．3 HMM／WNN混合模型语音识别方法 | 第51-58页 |
| 4．3．1 隐马尔可夫模型(HMM)语音识别原理 | 第51-53页 |
| 4．3．2 基于HMM／WNN混合模型的语音识别系统 | 第53-54页 |
| 4．3．3 系统的训练过程 | 第54-55页 |
| 4．3．4 系统的识别过程 | 第55-56页 |
| 4．3．5 实验说明及其结果 | 第56-57页 |
| 4．3．6 动态门限α的取值对系统识别性能的影响 | 第57-58页 |
| 4．4 本章小结 | 第58-60页 |
| 5 基于语音增强的抗噪声语音识别 | 第60-73页 |
| 5．1 基于语音增强的识别系统 | 第60-61页 |
| 5．2 谱相减原理 | 第61-62页 |
| 5．3 基于小波分解的语音增强算法 | 第62-65页 |
| 5．3．1 噪声在小波分解下的特性 | 第62-64页 |
| 5．3．2 阈值选取规则 | 第64-65页 |
| 5．4 实验结果与分析 | 第65-71页 |
| 5．4．1 语音增强处理 | 第65-68页 |
| 5．4．2 基于语音增强的抗噪语音识别实验结果与分析 | 第68-71页 |
| 5．5 本章小结 | 第71-73页 |
| 6 总结 | 第73-74页 |
| 参考文献 | 第74-79页 |
| 致谢 | 第79-80页 |
| 附录 | 第80页 |
