基于韵律序列特征和非时序特征的音频场景识别
| 摘要 | 第1-5页 |
| Abstract | 第5-9页 |
| 第1章 绪论 | 第9-15页 |
| ·课题研究的目的及意义 | 第9-10页 |
| ·相关工作的国内外研究现状 | 第10-13页 |
| ·本文的主要研究内容 | 第13-15页 |
| 第2章 基于聚类的特征数据获取 | 第15-22页 |
| ·引言 | 第15页 |
| ·基于聚类分析特征数据的提取 | 第15-21页 |
| ·自底向上的层次聚类结构 | 第16-17页 |
| ·GMM 间的相似性度量与合并 | 第17-20页 |
| ·特征数据的获得与评价 | 第20-21页 |
| ·本章小结 | 第21-22页 |
| 第3章 基于韵律序列特征的识别 | 第22-33页 |
| ·引言 | 第22-23页 |
| ·韵律序列特征分析与自动数据标注 | 第23-26页 |
| ·特征数据的基频分布特征 | 第23-24页 |
| ·特征数据的时长分布特征 | 第24-26页 |
| ·序列特征提取与自动数据标注 | 第26页 |
| ·基于序列特征的识别 | 第26-31页 |
| ·隐马尔可夫模型 | 第26-27页 |
| ·后验转移概率解码 | 第27-31页 |
| ·实验与讨论 | 第31-32页 |
| ·本章小结 | 第32-33页 |
| 第4章 基于非时序特征的识别 | 第33-44页 |
| ·引言 | 第33页 |
| ·GMM 分类器 | 第33-37页 |
| ·基于最小错误分类的GMM 训练 | 第33-36页 |
| ·实验 | 第36-37页 |
| ·SVM 分类器 | 第37-43页 |
| ·支持向量机原理 | 第37-42页 |
| ·特征选择 | 第42页 |
| ·实验 | 第42-43页 |
| ·本章小结 | 第43-44页 |
| 第5章 分类器的改进与分类器融合 | 第44-53页 |
| ·引言 | 第44-45页 |
| ·基于半监督学习的分类器训练 | 第45-49页 |
| ·半监督学习 | 第45-46页 |
| ·分类器的自训练 | 第46-47页 |
| ·实验与讨论 | 第47-49页 |
| ·基于线性加权的分类器融合 | 第49-52页 |
| ·分类器输出的线性加权算法 | 第49-50页 |
| ·实验与讨论 | 第50-52页 |
| ·本章小结 | 第52-53页 |
| 结论 | 第53-54页 |
| 参考文献 | 第54-58页 |
| 攻读学位期间发表的学术论文 | 第58-60页 |
| 致谢 | 第60页 |
