基于朱鹮鸣声的个体辨识技术的研究
| 摘要 | 第3-4页 |
| Abstract | 第4-5页 |
| 1 绪论 | 第8-14页 |
| 1.1 选题背景及意义 | 第8页 |
| 1.2 国内外研究现状 | 第8-10页 |
| 1.3 语音识别的一般过程 | 第10-11页 |
| 1.3.1 语音识别的基本方法 | 第10-11页 |
| 1.3.2 语音识别的技术难度 | 第11页 |
| 1.4 本文主要内容 | 第11-14页 |
| 2 朱鹮鸣声信号的预处理 | 第14-20页 |
| 2.1 朱鹮鸣声信号的采集 | 第14页 |
| 2.2 鸣声信号端点检测前端处理 | 第14-16页 |
| 2.3 鸣声信号端点检测算法 | 第16-19页 |
| 2.3.1 时域参数端点检测 | 第16-17页 |
| 2.3.2 频域参数端点检测 | 第17-19页 |
| 2.3.3 时频相结合的端点检测 | 第19页 |
| 2.4 本章小结 | 第19-20页 |
| 3 朱鹮鸣声信号的特征提取 | 第20-30页 |
| 3.1 线性预测倒谱系数(LPCC) | 第20-22页 |
| 3.2 Mel频率倒谱系数(MFCC) | 第22-28页 |
| 3.2.1 MFCC参数的提取 | 第23-24页 |
| 3.2.2 MFCC参数的改进 | 第24-28页 |
| 3.3 本章小结 | 第28-30页 |
| 4 基于LVQ神经网络的朱鹮鸣声个体辨识 | 第30-46页 |
| 4.1 常用的语音训练和识别方法 | 第30-38页 |
| 4.1.1 矢量量化 | 第30-31页 |
| 4.1.2 动态时间规整 | 第31-33页 |
| 4.1.3 隐马尔可夫模型 | 第33-34页 |
| 4.1.4 误差反向传播（BP）神经网络 | 第34-38页 |
| 4.2 基于改进的LVQ神经网络语音识别算法 | 第38-45页 |
| 4.2.1 LVQ神经网络的基本模型结构 | 第38-40页 |
| 4.2.2 改进的LVQ神经网络 | 第40-45页 |
| 4.3 本章小结 | 第45-46页 |
| 5 实验和结论 | 第46-54页 |
| 5.1 系统介绍 | 第46页 |
| 5.2 实验步骤 | 第46-50页 |
| 5.2.1 朱鹮鸣声录制 | 第46-47页 |
| 5.2.2 预处理 | 第47-49页 |
| 5.2.3 特征提取 | 第49-50页 |
| 5.2.4 基于改进的LVQ神经网络语音识别系统 | 第50页 |
| 5.3 系统实验及结果分析 | 第50-53页 |
| 5.3.1 系统仿真的步骤 | 第50-52页 |
| 5.3.2 系统仿真数据分析 | 第52-53页 |
| 5.4 本章小结 | 第53-54页 |
| 6 总结与展望 | 第54-56页 |
| 6.1 总结 | 第54页 |
| 6.2 展望 | 第54-56页 |
| 参考文献 | 第56-60页 |
| 攻读硕士期间发表的论文和科研情况 | 第60-62页 |
| 致谢 | 第62页 |
