| 摘要 | 第1-6页 |
| Abstract | 第6-11页 |
| 第一章 绪论 | 第11-13页 |
| ·语音识别 | 第11页 |
| ·声学模型 | 第11-12页 |
| ·支持向量机 | 第12页 |
| ·本文顺序 | 第12-13页 |
| 第二章 支持向量机（SVM） | 第13-23页 |
| ·本章简介 | 第13页 |
| ·机器学习简述 | 第13-15页 |
| ·机器学习问题描述 | 第13页 |
| ·经验风险最小化 | 第13-14页 |
| ·结构风险最小化 | 第14-15页 |
| ·广义最优线性分类面 | 第15-17页 |
| ·求解最优线性分类面 | 第15-16页 |
| ·线性不可分的情况 | 第16-17页 |
| ·最优判决方法 | 第17-19页 |
| ·KKT 定理 | 第17页 |
| ·可分情况下的最优判决方法 | 第17-18页 |
| ·不可分情况下的最优判决 | 第18-19页 |
| ·核函数 | 第19-21页 |
| ·空间映射 | 第19-20页 |
| ·Mercer 定理（Mercer’s Theorem） | 第20页 |
| ·常用核函数 | 第20-21页 |
| ·使用核函数后的SVM 问题 | 第21页 |
| ·SVM 系统流程 | 第21-22页 |
| ·本章小节 | 第22-23页 |
| 第三章 SVM 训练 | 第23-35页 |
| ·本章简介 | 第23页 |
| ·SVM 训练问题描述 | 第23-24页 |
| ·广义分解方法 | 第24-25页 |
| ·SMO 算法 | 第25-28页 |
| ·SMO 算法简介 | 第25页 |
| ·最优化两个乘子的方法 | 第25-27页 |
| ·更新偏置的方法 | 第27页 |
| ·训练流程 | 第27-28页 |
| ·改进SMO 算法 | 第28-31页 |
| ·SVM 最优条件 | 第28页 |
| ·SMO 算法的不足 | 第28-29页 |
| ·对SMO 算法改进 | 第29-30页 |
| ·训练流程 | 第30-31页 |
| ·大数据量的SVM 训练 | 第31-34页 |
| ·问题描述 | 第31页 |
| ·样本筛选 | 第31页 |
| ·新的SVM 问题 | 第31-32页 |
| ·选择新的工作集 | 第32-33页 |
| ·训练流程 | 第33-34页 |
| ·本章小结 | 第34-35页 |
| 第四章 SENONE 判别 | 第35-41页 |
| ·本章简介 | 第35页 |
| ·SENONE 定义 | 第35页 |
| ·SENONE 对齐 | 第35页 |
| ·选择SENONE 建模单元 | 第35-37页 |
| ·段模型 | 第35-36页 |
| ·建立段模型 | 第36-37页 |
| ·SVM 多类判决 | 第37页 |
| ·SVM 多类的实现过程 | 第37页 |
| ·数据不平衡问题 | 第37页 |
| ·后验概率 | 第37-40页 |
| ·SVM 距离与后验概率 | 第37-38页 |
| ·参数估计 | 第38-39页 |
| ·实现过程 | 第39-40页 |
| ·本章小节 | 第40-41页 |
| 第五章 实验结果 | 第41-44页 |
| ·实验一三种SVM 训练算法的比较 | 第41-42页 |
| ·实验设计 | 第41页 |
| ·实验结果 | 第41-42页 |
| ·实验结论 | 第42页 |
| ·实验二研究数据筛选的效果 | 第42-44页 |
| ·实验设计 | 第42-43页 |
| ·实验结果 | 第43页 |
| ·实验结论 | 第43-44页 |
| 第六章 总结 | 第44-46页 |
| ·工作总结 | 第44页 |
| ·结论 | 第44-45页 |
| ·以后工作 | 第45-46页 |
| 参考文献 | 第46-47页 |
| 致谢 | 第47页 |