| 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 |