| 摘要 | 第4-5页 |
| ABSTRACT | 第5-6页 |
| 1 绪论 | 第11-17页 |
| 1.1 语音端点检测的背景及意义 | 第11-13页 |
| 1.1.1 语音端点检测的研究背景 | 第11-12页 |
| 1.1.2 语音识别的一般过程 | 第12-13页 |
| 1.2 语音端点检测技术的发展现状 | 第13-15页 |
| 1.3 本论文主要研究内容 | 第15-17页 |
| 2 语音端点检测的传统算法 | 第17-26页 |
| 2.1 语音信号预处理 | 第17-21页 |
| 2.1.1 语音信号模型 | 第17-18页 |
| 2.1.2 语音信号预处理过程 | 第18-21页 |
| 2.2 基于时域的端点检测算法 | 第21-23页 |
| 2.2.1 短时能量法 | 第21-22页 |
| 2.2.2 短时过零率法 | 第22-23页 |
| 2.2.3 双门限法 | 第23页 |
| 2.3 基于频域的语音端点检测算法 | 第23-24页 |
| 2.4 基于倒普特征的检测方法 | 第24-25页 |
| 2.5 本章小结 | 第25-26页 |
| 3 传统神经网络语音端点检测算法 | 第26-41页 |
| 3.1 检测的理论依据 | 第26-27页 |
| 3.2 检测的系统模型 | 第27-28页 |
| 3.3 基于小波分析技术的特征量提取 | 第28-32页 |
| 3.3.1 小波分析技术的特点 | 第28-30页 |
| 3.3.2 小波分析技术提取特征量 | 第30-32页 |
| 3.4 BP神经网络原理及结构 | 第32-38页 |
| 3.4.1 人工神经网络 | 第32-33页 |
| 3.4.2 前馈神经网络 | 第33-34页 |
| 3.4.3 BP神经网络 | 第34-38页 |
| 3.5 基于BP神经网络的语音端点检测 | 第38-40页 |
| 3.6 本章小结 | 第40-41页 |
| 4 基于改进极限学习机的语音端点检测 | 第41-56页 |
| 4.1 极限学习机原理 | 第41-44页 |
| 4.2 粒子群算法优化极限学习机 | 第44-49页 |
| 4.2.1 粒子群优化算法简介 | 第44-46页 |
| 4.2.2 粒子群算法优化ELM神经网络 | 第46-47页 |
| 4.2.3 基于WA-PSO-ELM的语音端点检测模型设计 | 第47-49页 |
| 4.3 自适应果蝇算法优化极限学习机 | 第49-55页 |
| 4.3.1 果蝇优化算法原理 | 第49-52页 |
| 4.3.2 自适应果蝇优化算法（FOAMR） | 第52页 |
| 4.3.3 FOAMR-ELM神经网络 | 第52-54页 |
| 4.3.4 基于WA-FOAMR-ELM的语音端点检测模型设计 | 第54-55页 |
| 4.4 本章小结 | 第55-56页 |
| 5 实验及结论分析 | 第56-66页 |
| 5.1 端点检测仿真实验环境及评价指标 | 第56-57页 |
| 5.2 端点检测仿真实验结果及分析 | 第57-64页 |
| 5.2.1 检测准确度对比及分析 | 第57-61页 |
| 5.2.2 虚检率和漏检率分析 | 第61-63页 |
| 5.2.3 语音端点检测速度分析 | 第63-64页 |
| 5.3 端点检测算法的验证 | 第64-65页 |
| 5.4 本章小结 | 第65-66页 |
| 6 总结展望 | 第66-68页 |
| 6.1 总结 | 第66页 |
| 6.2 展望 | 第66-68页 |
| 参考文献 | 第68-72页 |
| 致谢 | 第72-73页 |
| 个人简历及攻读硕士学位期间取得的研究成果 | 第73页 |