首页--工业技术论文--无线电电子学、电信技术论文--通信论文--电声技术和语音信号处理论文--语音信号处理论文

改进的稀疏最小二乘支持向量机在语音识别中的应用

摘要第3-5页
ABSTRACT第5-7页
第一章 绪论第11-17页
    1.1 课题研究背景与意义第11页
    1.2 语音识别的发展与现状第11-13页
    1.3 语音识别系统面临的问题第13-15页
    1.4 本文完成的主要工作第15页
    1.5 本文结构安排第15-17页
第二章 语音识别系统基础理论第17-25页
    2.1 语音识别的基本原理第17页
    2.2 语音信号预处理第17-20页
        2.2.1 预滤波第18页
        2.2.2 预加重第18页
        2.2.3 加窗和分帧第18-19页
        2.2.4 端点检测第19-20页
    2.3 语音信号特征提取第20-21页
    2.4 模型训练及模式匹配第21-23页
        2.4.1 隐马尔可夫模型第21-22页
        2.4.2 人工神经网络第22页
        2.4.3 支持向量机第22-23页
    2.5 本章小结第23-25页
第三章 最小二乘支持向量分类机理论第25-41页
    3.1 统计学习理论第25-29页
        3.1.1 VC维第25-26页
        3.1.2 结构风险最小化第26-29页
    3.2 支持向量分类机(SVM)第29-36页
        3.2.1 线性支持向量机第29-33页
        3.2.2 非线性支持向量机第33-34页
        3.2.3 多类分类方法第34-36页
    3.3 最小二乘支持向量分类机(LSSVM)第36-38页
        3.3.1 最小二乘支持向量分类机原理第36-37页
        3.3.2 最小二乘支持向量机的稀疏性第37-38页
    3.4 模型参数的选择方法第38-40页
    3.5 本章小结第40-41页
第四章 基于独立成分分析的LSSVM稀疏化算法第41-59页
    4.1 独立成分分析(ICA)第41-44页
        4.1.1 独立成分分析算法的基本思想第41-42页
        4.1.2 独立成分分析算法的快速实现第42-44页
    4.2 ICA_LSSVM稀疏化算法第44-51页
        4.2.1 ICA_LSSVM稀疏化算法的提出第44-45页
        4.2.2 ICA_LSSVM稀疏化算法中的特征降维第45-47页
        4.2.3 ICA_LSSVM稀疏化算法中的核矩阵约简第47-50页
        4.2.4 ICA_LSSVM稀疏化算法的实现第50-51页
    4.3 实验仿真与分析第51-57页
        4.3.1 实验环境与数据库介绍第51-52页
        4.3.2 实验结果与分析第52-57页
    4.4 本章小结第57-59页
第五章 基于预选支持向量的LSSVM稀疏化算法第59-73页
    5.1 基于K均值聚类的LSSVM的稀疏化第59-63页
        5.1.1 K均值聚类(K-means)第59-61页
        5.1.2 基于K均值聚类的LSSVM稀疏化算法第61-63页
    5.2 基于中心距离比值的LSSVM稀疏化算法第63-66页
    5.3 改进的LSSVM稀疏化算法第66-67页
        5.3.1 改进的LSSVM稀疏化算法的基本思想第66页
        5.3.2 改进的LSSVM稀疏化算法的实现第66-67页
    5.4 实验仿真与分析第67-72页
        5.4.1 实验环境与数据库介绍第67-68页
        5.4.2 实验结果与分析第68-72页
    5.5 本章小结第72-73页
第六章 总结与展望第73-75页
    6.1 总结第73-74页
    6.2 展望第74-75页
参考文献第75-79页
致谢第79-81页
攻读学位期间发表的学术论文目录第81页

论文共81页,点击 下载论文
上一篇:基于优化的语义理解与SVM相结合的文本情感分类研究
下一篇:语音识别技术的关键问题研究