| 摘要 | 第3-5页 |
| ABSTRACT | 第5-7页 |
| 目录 | 第8-10页 |
| 第一章 绪论 | 第10-17页 |
| 1.1 研究的背景和意义 | 第10-11页 |
| 1.2 语音识别技术的研究和发展 | 第11-13页 |
| 1.3 噪声分类 | 第13-14页 |
| 1.4 鲁棒语音识别 | 第14-15页 |
| 1.5 论文主要内容及安排 | 第15-17页 |
| 第二章 基于HMM的语音识别系统 | 第17-34页 |
| 2.1 语音识别系统基本组成 | 第17-18页 |
| 2.2 系统实现方法 | 第18-31页 |
| 2.3 实验测试平台的构建 | 第31-33页 |
| 2.4 本章小结 | 第33-34页 |
| 第三章 基于信号空间的语音增强算法 | 第34-62页 |
| 3.1 噪声对语音信号的影响 | 第34-35页 |
| 3.2 信号空间语音增强算法研究现状 | 第35-39页 |
| 3.3 一种改进的维纳滤波算法 | 第39-55页 |
| 3.3.1 子带谱熵的定义 | 第39-43页 |
| 3.3.2 基于先验信噪比估算的维纳滤波 | 第43-44页 |
| 3.3.3 改进的维纳滤波器算法 | 第44-46页 |
| 3.3.4 实验结果和分析 | 第46-55页 |
| 3.4 基于自相关的语音增强算法 | 第55-61页 |
| 3.4.1 单边自相关定义 | 第55-56页 |
| 3.4.2 算法推导 | 第56-58页 |
| 3.4.3 最大延迟的选择 | 第58-59页 |
| 3.4.4 实验结果及分析 | 第59-61页 |
| 3.5 本章小结 | 第61-62页 |
| 第四章 基于独立分量分析的鲁棒语音特征提取算法 | 第62-102页 |
| 4.1 噪声对语音特征的影响 | 第63-66页 |
| 4.2 特征空间鲁棒语音识别算法研究现状 | 第66-70页 |
| 4.3 独立分量分析基本原理 | 第70-75页 |
| 4.3.1 模型描述 | 第70-71页 |
| 4.3.2 频域独立分量分析 | 第71-75页 |
| 4.4 基于独立分量分析的鲁棒语音特征提取 | 第75-101页 |
| 4.4.1 算法概述 | 第75-77页 |
| 4.4.2 算法实现 | 第77-90页 |
| 4.4.3 实验和结果分析 | 第90-101页 |
| 4.5 本章小结 | 第101-102页 |
| 第五章 基于模型空间的鲁棒语音识别算法 | 第102-145页 |
| 5.1 噪声对语音模型的影响 | 第102-104页 |
| 5.2 模型空间鲁棒语音识别算法研究现状 | 第104-106页 |
| 5.3 并行模型合并算法(PMC) | 第106-132页 |
| 5.3.1 PMC算法理论 | 第107-108页 |
| 5.3.2 加性噪声环境下PMC模型补偿算法 | 第108-118页 |
| 5.3.3 卷积噪声环境下PMC模型补偿算法 | 第118-132页 |
| 5.4 基于并行子带HMM和神经网络混合模型的鲁棒语音识别算法 | 第132-144页 |
| 5.4.1 并行子带HMM的理论基础 | 第132-134页 |
| 5.4.2 并行子带HMM和神经网络混合模型(PSHMM/NN) | 第134-139页 |
| 5.4.3 实验和结果分析 | 第139-144页 |
| 5.5 本章小结 | 第144-145页 |
| 第六章 总结与展望 | 第145-148页 |
| 6.1 总结 | 第145-146页 |
| 6.2 展望 | 第146-148页 |
| 参考文献 | 第148-162页 |
| 致谢 | 第162-163页 |
| 作者在硕博连读期间取得的学术成果 | 第163-164页 |