| 摘要 | 第1-6页 |
| Abstract | 第6-15页 |
| 第1章 绪论 | 第15-29页 |
| ·语音识别简介 | 第15-19页 |
| ·基于统计建模框架的语音识别 | 第19-28页 |
| ·特征提取及处理 | 第19-21页 |
| ·声学模型 | 第21-26页 |
| ·语言模型 | 第26-27页 |
| ·解码搜索 | 第27-28页 |
| ·章节组织结构 | 第28-29页 |
| 第2章 噪声鲁棒性方法回顾 | 第29-36页 |
| ·引言 | 第29页 |
| ·总体回顾 | 第29-31页 |
| ·具体介绍 | 第31-35页 |
| ·鲁棒性特征 | 第31页 |
| ·信号和特征增强 | 第31-33页 |
| ·模型补偿 | 第33-34页 |
| ·丢失特征理论 | 第34-35页 |
| ·多样训练 | 第35页 |
| ·本章小结 | 第35-36页 |
| 第3章 倒谱形状规整方法 | 第36-42页 |
| ·引言 | 第36-37页 |
| ·特征规整基本问题 | 第37-38页 |
| ·直接规整和间接规整 | 第37-38页 |
| ·分布匹配和矩匹配 | 第38页 |
| ·倒谱形状规整方法介绍 | 第38-41页 |
| ·语音特征分布分析 | 第38-39页 |
| ·CSN算法描述 | 第39-41页 |
| ·倒谱时域平滑 | 第41页 |
| ·本章小结 | 第41-42页 |
| 第4章 PLA特征补偿方法在语音识别及语音增强中的应用 | 第42-52页 |
| ·引言 | 第42页 |
| ·基于PLA的特征补偿方法 | 第42-44页 |
| ·PLA方法理论推导 | 第44-49页 |
| ·p_y(y) | 第46-47页 |
| ·E_x[x丨y]和E_x[x~2丨y] | 第47-48页 |
| ·E_n[n丨y]和E_n[n~2丨y] | 第48-49页 |
| ·一些特例的讨论 | 第49页 |
| ·PLA在语音增强中的应用 | 第49-51页 |
| ·特征提取 | 第50-51页 |
| ·波形重建 | 第51页 |
| ·本章小结 | 第51-52页 |
| 第5章 HOVTS特征补偿方法在语音识别中的应用 | 第52-61页 |
| ·引言 | 第52页 |
| ·基于HOVTS的特征补偿方法 | 第52-56页 |
| ·前提假设 | 第53-54页 |
| ·流程介绍 | 第54-56页 |
| ·HOVTS方法理论推导 | 第56-58页 |
| ·μ_y(i) | 第57页 |
| ·σ_y~2(i,j) | 第57页 |
| ·σ_(zy)~2(i,j) | 第57-58页 |
| ·σ_(ny)~2(i,j) | 第58页 |
| ·针对MMSE部分的算法改进 | 第58-60页 |
| ·本章小结 | 第60-61页 |
| 第6章 区分性训练的声学模型在噪声鲁棒性方面的探究 | 第61-78页 |
| ·引言 | 第61-63页 |
| ·经典区分性训练方法回顾 | 第63-71页 |
| ·贝叶斯决策理论 | 第63-64页 |
| ·MMI准则 | 第64-66页 |
| ·MCE准则 | 第66-68页 |
| ·MWE/MPE准则 | 第68-69页 |
| ·EBW优化算法 | 第69-71页 |
| ·MD准则介绍 | 第71-73页 |
| ·最小化错误训练的统一框架 | 第71-72页 |
| ·KLD距离计算 | 第72-73页 |
| ·基于词图的MD准则实现 | 第73页 |
| ·MD准则改进 | 第73-76页 |
| ·构造弱性辅助函数 | 第74-75页 |
| ·EBW算法实现 | 第75-76页 |
| ·区分性训练的噪声鲁棒性问题 | 第76页 |
| ·本章小结 | 第76-78页 |
| 第7章 实验部分 | 第78-98页 |
| ·引言 | 第78页 |
| ·数据库介绍 | 第78-82页 |
| ·TIDigits数据库 | 第78页 |
| ·Aurora2数据库 | 第78-80页 |
| ·Aurora3数据库 | 第80页 |
| ·Aurora4数据库 | 第80-81页 |
| ·Switchboard数据库 | 第81-82页 |
| ·TIMIT数据库 | 第82页 |
| ·前后端基本配置 | 第82-83页 |
| ·CSN方法实验结果及分析 | 第83-86页 |
| ·CSN方法与其他规整方法比较 | 第83-85页 |
| ·CSN方法改进 | 第85-86页 |
| ·PLA方法实验结果及分析 | 第86-89页 |
| ·语音识别方面 | 第86页 |
| ·语音增强方面 | 第86-89页 |
| ·HOVTS方法实验结果及分析 | 第89-91页 |
| ·HOVTS基本算法 | 第89-91页 |
| ·针对MMSE部分的算法改进 | 第91页 |
| ·区分性训练相关实验结果及分析 | 第91-96页 |
| ·基于MD准则的区分性训练 | 第91-92页 |
| ·基于MD准则改进的区分性训练 | 第92-94页 |
| ·区分性训练的噪声鲁棒性 | 第94-96页 |
| ·本章小结 | 第96-98页 |
| 第8章 总结及展望 | 第98-101页 |
| ·论文主要贡献 | 第98-99页 |
| ·后续研究方向 | 第99-101页 |
| 插图索引 | 第101-102页 |
| 表格索引 | 第102-104页 |
| 参考文献 | 第104-115页 |
| 致谢 | 第115-116页 |
| 附录A CSN方法中函数单调性证明 | 第116-117页 |
| 附录B 对数谱域环境模型推导过程 | 第117-118页 |
| 附录C 噪声信道估计推导过程 | 第118-121页 |
| 个人简历及在读期间发表的学术论文 | 第121-122页 |