| 摘要 | 第7-9页 |
| Abstract | 第9-10页 |
| 1 引言 | 第13-17页 |
| 1.1 课题提出 | 第13页 |
| 1.2 研究背景及意义 | 第13-14页 |
| 1.3 国内外研究现状 | 第14-15页 |
| 1.4 本文研究目的与研究内容 | 第15-16页 |
| 1.5 本文的章节安排 | 第16-17页 |
| 2 基础语料库的构建 | 第17-36页 |
| 2.1 语料库 | 第17页 |
| 2.2 语料库处理 | 第17-23页 |
| 2.2.1 音频分类 | 第18-19页 |
| 2.2.2 语者分类 | 第19-21页 |
| 2.2.3 软件性能比较 | 第21页 |
| 2.2.4 VOA 语料切分 | 第21-23页 |
| 2.3 语料库分析 | 第23-29页 |
| 2.3.1 ToBI 标注体系 | 第23-25页 |
| 2.3.2 HTS 韵律结构体系 | 第25-27页 |
| 2.3.3 训练文件的生成 | 第27-29页 |
| 2.4 特征分析 | 第29-35页 |
| 2.4.1 声学特征选择 | 第29-31页 |
| 2.4.2 文本特征分析 | 第31-32页 |
| 2.4.3 声学韵律特征 | 第32-35页 |
| 2.5 本章小结 | 第35-36页 |
| 3 基于基音重音自动标注系统的实现 | 第36-48页 |
| 3.1 模型训练算法 | 第36-44页 |
| 3.1.1 基于最大熵的韵律自动标注 | 第36-38页 |
| 3.1.2 基于实例的韵律特征的自动标注学习 | 第38-40页 |
| 3.1.3 基于 Adaboost 的韵律特征的分类标注 | 第40-42页 |
| 3.1.4 基于 J48 的韵律特征的分类标注 | 第42-44页 |
| 3.2 Weka 及其文件处理 | 第44-45页 |
| 3.3 基音重音自动分类结果分析 | 第45-47页 |
| 3.4 本章小结 | 第47-48页 |
| 4 基于 co-training 的韵律自动标注 | 第48-58页 |
| 4.1 半监督学习 | 第48-52页 |
| 4.1.1 半监督学习的概述 | 第48-49页 |
| 4.1.2 Co-training 算法的基本设定 | 第49-51页 |
| 4.1.3 Co-training 算法的应用 | 第51-52页 |
| 4.2 基于 co-training 的训练模型 | 第52-57页 |
| 4.2.1 基于 co-training 的训练流程设计 | 第52-53页 |
| 4.2.2 基于 co-training 的功能模块设计 | 第53-55页 |
| 4.2.3 Co-training 在极小化标注方面的性能分析 | 第55-57页 |
| 4.3 本章小结 | 第57-58页 |
| 5 全文总结与今后工作 | 第58-60页 |
| 参考文献 | 第60-64页 |
| 致谢 | 第64-65页 |
| 个人简历 | 第65页 |
| 发表论文 | 第65页 |
| 研究项目 | 第65-66页 |
