| 致谢 | 第7-8页 |
| 摘要 | 第8-9页 |
| ABSTRACT | 第9页 |
| 第一章 绪论 | 第14-19页 |
| 1.1 列车鸣笛识别的背景及意义 | 第14页 |
| 1.2 国内外研究现状 | 第14-17页 |
| 1.2.1 语音识别研究现状 | 第15-16页 |
| 1.2.2 非语音识别研究现状 | 第16-17页 |
| 1.3 论文的主要工作和结构安排 | 第17-19页 |
| 1.3.1 论文的主要工作 | 第17页 |
| 1.3.2 论文的结构安排 | 第17-19页 |
| 第二章 声音处理的相关理论与方法 | 第19-30页 |
| 2.1 声音的基本概念 | 第19-20页 |
| 2.2 语音的特点和发声原理 | 第20-21页 |
| 2.3 声音信号的分析方法 | 第21-25页 |
| 2.3.1 声音信号的预处理 | 第21-23页 |
| 2.3.2 声音信号的时域分析方法 | 第23-24页 |
| 2.3.3 声音信号的频域分析方法 | 第24-25页 |
| 2.4 声音识别的基本方法 | 第25-30页 |
| 2.4.1 声音识别特征参数的选取 | 第25-26页 |
| 2.4.2 声音识别的分类方法 | 第26-28页 |
| 2.4.3 声音识别的性能评价 | 第28-30页 |
| 第三章 基于小波变换的MFCC特征提取改进算法 | 第30-44页 |
| 3.1 梅尔频率倒谱系数及其提取算法 | 第30-34页 |
| 3.1.1 梅尔频率简介 | 第30-31页 |
| 3.1.2 MFCC参数的提取 | 第31-34页 |
| 3.1.3 差分MFCC参数的提取 | 第34页 |
| 3.2 小波变换 | 第34-37页 |
| 3.2.1 小波分析 | 第35页 |
| 3.2.2 连续小波变换及其离散化 | 第35-36页 |
| 3.2.3 多分辨率分析 | 第36-37页 |
| 3.3 声音信号的MFCC特征提取改进方法研究 | 第37-44页 |
| 3.3.1 声音信号的小波去噪 | 第37-39页 |
| 3.3.2 声音信号的小波包分解 | 第39-40页 |
| 3.3.3 基于小波变换的MFCC特征提取 | 第40-44页 |
| 第四章 基于隐马尔可夫模型的列车鸣笛识别方法 | 第44-53页 |
| 4.1 隐马尔可夫模型 | 第44-47页 |
| 4.1.1 马尔可夫链 | 第44-45页 |
| 4.1.2 隐马尔可夫模型的定义 | 第45-46页 |
| 4.1.3 隐马尔可夫模型的结构 | 第46-47页 |
| 4.2 隐马尔可夫模型的基本问题 | 第47-50页 |
| 4.2.1 隐马尔可夫模型的评估问题 | 第47-48页 |
| 4.2.2 隐马尔可夫模型的解码问题 | 第48-49页 |
| 4.2.3 隐马尔可夫模型的训练问题 | 第49-50页 |
| 4.3 基于隐马尔可夫模型的列车鸣笛识别 | 第50-53页 |
| 第五章 基于小波MFCC和HMM的列车鸣笛识别的实验分析 | 第53-59页 |
| 5.1 实验流程 | 第53-55页 |
| 5.2 实验结果分析 | 第55-57页 |
| 5.3 声音识别方法在其它领域的应用 | 第57-59页 |
| 第六章 总结与展望 | 第59-61页 |
| 6.1 总结 | 第59页 |
| 6.2 展望 | 第59-61页 |
| 参考文献 | 第61-64页 |
| 攻读硕士学位期间的学术活动及成果巧况 | 第64-65页 |