基于支持向量机的嵌入式鲁棒语音识别研究
| 摘要 | 第1-5页 |
| Abstract | 第5-9页 |
| 第1章 绪论 | 第9-17页 |
| ·课题研究背景和意义 | 第9-10页 |
| ·国内外研究现状 | 第10-14页 |
| ·嵌入式语音增强研究现状 | 第10-11页 |
| ·嵌入式语音识别研究现状 | 第11-12页 |
| ·支持向量机研究现状 | 第12-14页 |
| ·本文主要研究内容 | 第14-15页 |
| ·本文结构 | 第15-17页 |
| 第2章 嵌入式语音增强理论与技术研究 | 第17-27页 |
| ·嵌入式语音增强理论 | 第17-20页 |
| ·语音信号的数学模型 | 第17-18页 |
| ·语音和噪声特性 | 第18页 |
| ·人耳的听觉感知特性 | 第18-19页 |
| ·语音增强方法 | 第19-20页 |
| ·基于卡尔曼滤波的语音增强 | 第20-22页 |
| ·快速自适应卡尔曼滤波算法 | 第22-26页 |
| ·本章小结 | 第26-27页 |
| 第3章 支持向量机 | 第27-37页 |
| ·统计学习理论 | 第27-31页 |
| ·机器学习的基本模型 | 第27-28页 |
| ·经验风险最小化原则 | 第28页 |
| ·统计学习过程的一致性 | 第28-29页 |
| ·VC 维 | 第29-30页 |
| ·泛化能力的界 | 第30页 |
| ·结构风险最小原则 | 第30-31页 |
| ·支持向量机理论 | 第31-34页 |
| ·最大间隔分类超平面 | 第31-32页 |
| ·线性可分支持向量机 | 第32-33页 |
| ·线性不可分支持向量机 | 第33-34页 |
| ·核函数的选择 | 第34-35页 |
| ·本章小结 | 第35-37页 |
| 第4章 支持向量机在嵌入式语音识别中的应用 | 第37-51页 |
| ·SVM 与 DTW 结合 | 第37-40页 |
| ·动态时间规整算法 | 第37-39页 |
| ·DTW 嵌入到 SVM | 第39-40页 |
| ·自适应高斯核函数 | 第40-43页 |
| ·高斯核函数的性质 | 第40页 |
| ·自适应高斯核设计 | 第40-43页 |
| ·惩罚系数 C 的选择 | 第43页 |
| ·基于 SMO 的支持向量机训练算法 | 第43-48页 |
| ·解析法求解 QP 问题 | 第43-45页 |
| ·启发式工作集选择方法 | 第45-47页 |
| ·缓存机制 | 第47-48页 |
| ·基于 DAG 的支持向量机多类分类算法 | 第48-50页 |
| ·一对余组合分类法 | 第48页 |
| ·一对一组合分类法 | 第48-49页 |
| ·决策有向无环图组合分类法 | 第49-50页 |
| ·本章小结 | 第50-51页 |
| 第5章 系统的实现与效果验证 | 第51-61页 |
| ·快速自适应卡尔曼滤波算法效果验证 | 第51-55页 |
| ·快速卡尔曼滤波算法的效果验证 | 第51-53页 |
| ·自适应卡尔曼滤波算法的效果评估 | 第53-55页 |
| ·SVM/DTW 语音识别系统实现及效果验证 | 第55-58页 |
| ·预处理效果检验 | 第56-57页 |
| ·自适应高斯核函数效果检验 | 第57页 |
| ·多类语音识别系统性能检验 | 第57-58页 |
| ·本章小结 | 第58-61页 |
| 结论 | 第61-63页 |
| 参考文献 | 第63-67页 |
| 攻读硕士学位期间所取得的科研成果 | 第67-69页 |
| 致谢 | 第69页 |
