| 摘要 | 第5-7页 |
| ABSTRACT | 第7-8页 |
| 第一章 绪论 | 第11-23页 |
| 1.1 研究背景及意义 | 第11-13页 |
| 1.2 国内外研究现状 | 第13-16页 |
| 1.2.1 深度学习研究现状 | 第13-14页 |
| 1.2.2 语音情感识别研究现状 | 第14-16页 |
| 1.3 主要研究内容以及创新点 | 第16-19页 |
| 1.3.1 研究内容 | 第16-18页 |
| 1.3.2 创新点 | 第18-19页 |
| 1.4 研究生期间的重要工作 | 第19-20页 |
| 1.4.1 语音情感识别研究 | 第19页 |
| 1.4.2 工程能力积累 | 第19页 |
| 1.4.3 基于深度学习的心脏疾病脉搏信号分析导研究 | 第19-20页 |
| 1.5 论文组织结构 | 第20-23页 |
| 第二章 相关技术概述 | 第23-37页 |
| 2.1 语音情感识别概述 | 第23-27页 |
| 2.1.1 情感定义 | 第23页 |
| 2.1.2 情感数据库 | 第23-24页 |
| 2.1.3 语音情感预处理 | 第24-27页 |
| 2.2 mfcc特征概述 | 第27-28页 |
| 2.3 深度神经网络 | 第28-32页 |
| 2.3.1 CNN | 第29-31页 |
| 2.3.2 RNN | 第31-32页 |
| 2.4 机器学习分类算法 | 第32-34页 |
| 2.4.1 SVM | 第33页 |
| 2.4.2 随机森林 | 第33-34页 |
| 2.5 本章小结 | 第34-37页 |
| 第三章 自注意力与LSTM结合在语音情感识别中的应用 | 第37-51页 |
| 3.1 创新点关键算法分析 | 第37-39页 |
| 3.1.1 attention机制 | 第38-39页 |
| 3.1.2 self-attention自注意力机制 | 第39页 |
| 3.2 总体的架构 | 第39-43页 |
| 3.2.1 系统架构设计 | 第39-42页 |
| 3.2.2 statics pooling与LSTM结合 | 第42-43页 |
| 3.3 实验结果与分析 | 第43-49页 |
| 3.3.1 实验数据集 | 第43-44页 |
| 3.3.2 实验数据预处理 | 第44-45页 |
| 3.3.3 前端过滤语音 | 第45-46页 |
| 3.3.4 初级特征提取 | 第46-47页 |
| 3.3.5 建模训练和测试 | 第47-49页 |
| 3.4 本章总结 | 第49-51页 |
| 第四章 多头注意力与LSTM结合在语音情感识别中的应用 | 第51-59页 |
| 4.1 创新点关键算法分析 | 第51-53页 |
| 4.1.1 缩放点乘注意力 | 第51-52页 |
| 4.1.2 multi-head attention | 第52-53页 |
| 4.2 总体框架 | 第53-54页 |
| 4.3 实验结果与分析 | 第54-57页 |
| 4.4 本章小结 | 第57-59页 |
| 第五章 加噪加混响数据扩充方式 | 第59-69页 |
| 5.1 创新点关键算法分析 | 第59-63页 |
| 5.1.1 需求分析 | 第59-61页 |
| 5.1.2 混响关键技术分析 | 第61-62页 |
| 5.1.3 噪声关键技术分析 | 第62-63页 |
| 5.2 实现系统框架 | 第63-64页 |
| 5.3 实验结果与分析 | 第64-67页 |
| 5.4 本章小结 | 第67-69页 |
| 第六章 总结和展望 | 第69-71页 |
| 6.1 论文总结 | 第69-70页 |
| 6.2 展望 | 第70-71页 |
| 参考文献 | 第71-75页 |
| 致谢 | 第75页 |
