舰船指挥舱噪声背景下的语音识别算法研究
| 摘要 | 第5-6页 |
| ABSTRACT | 第6-7页 |
| 第1章 绪论 | 第11-15页 |
| 1.1 本文研究的背景 | 第11页 |
| 1.2 课题研究的目的意义 | 第11页 |
| 1.3 语音识别技术的发展及研究现状 | 第11-13页 |
| 1.4 存在的问题 | 第13-14页 |
| 1.5 论文结构 | 第14-15页 |
| 第2章 现代语音识别技术 | 第15-22页 |
| 2.1 基础知识 | 第15-16页 |
| 2.1.1 概述 | 第15页 |
| 2.1.2 语音识别方法 | 第15-16页 |
| 2.2 特征表示与提取 | 第16-19页 |
| 2.2.1 LPC倒谱系数 | 第17页 |
| 2.2.2 Mel频率倒谱系数 | 第17-19页 |
| 2.3 语音识别性能 | 第19-20页 |
| 2.3.1 录音方式 | 第19页 |
| 2.3.2 识别对象 | 第19-20页 |
| 2.3.3 鲁棒性 | 第20页 |
| 2.4 本章小结 | 第20-22页 |
| 第3章 传统语音识别算法 | 第22-37页 |
| 3.1 语音信号处理 | 第22-24页 |
| 3.1.1 端点检测技术 | 第22-23页 |
| 3.1.2 特征数据处理 | 第23页 |
| 3.1.3 K均值聚类算法 | 第23-24页 |
| 3.2 矢量量化技术 | 第24-28页 |
| 3.2.1 概述 | 第24-25页 |
| 3.2.2 算法原理 | 第25-28页 |
| 3.3 隐马尔科夫模型 | 第28-34页 |
| 3.3.1 概述 | 第28-30页 |
| 3.3.2 隐马尔科夫模型 | 第30页 |
| 3.3.3 HMM的估计问题 | 第30-31页 |
| 3.3.4 HMM的解码问题 | 第31-32页 |
| 3.3.5 HMM的学习问题 | 第32-34页 |
| 3.4 实验结果与分析 | 第34-35页 |
| 3.4.1 交叉熵端点检测结果 | 第34页 |
| 3.4.2 语音识别结果 | 第34-35页 |
| 3.5 本章小结 | 第35-37页 |
| 第4章 基于支持向量机的语音识别算法 | 第37-50页 |
| 4.1 统计学习理论 | 第37-42页 |
| 4.1.1 机器学习问题 | 第38页 |
| 4.1.2 经验风险最小化 | 第38-40页 |
| 4.1.3 VC维 | 第40页 |
| 4.1.4 学习过程的一致性 | 第40页 |
| 4.1.5 结构风险最小化 | 第40-41页 |
| 4.1.6 核方法 | 第41-42页 |
| 4.2 支持向量机 | 第42-47页 |
| 4.2.1 支持向量机的特点 | 第42页 |
| 4.2.2 支持向量机的重要思想和方法 | 第42-43页 |
| 4.2.3 支持向量机算法 | 第43-46页 |
| 4.2.4 支持向量机算法步骤 | 第46-47页 |
| 4.3 实验结果与分析 | 第47-48页 |
| 4.4 本章小结 | 第48-50页 |
| 第5章 基于相关向量机的语音识别算法 | 第50-60页 |
| 5.1 相关向量机模型 | 第50-54页 |
| 5.1.1 贝叶斯体系 | 第50-51页 |
| 5.1.2 模型描述 | 第51-53页 |
| 5.1.3 核函数 | 第53页 |
| 5.1.4 多类分类器 | 第53-54页 |
| 5.2 相关向量机学习算法 | 第54-56页 |
| 5.2.1 算法原理 | 第54-56页 |
| 5.2.2 快速序列稀疏贝叶斯算法描述 | 第56页 |
| 5.3 实验结果与分析 | 第56-59页 |
| 5.3.1 算法描述 | 第57页 |
| 5.3.2 实验结果 | 第57-59页 |
| 5.4 本章小结 | 第59-60页 |
| 总结 | 第60-62页 |
| 参考文献 | 第62-67页 |
| 攻读硕士学位期间发表的论文和取得的科研成果 | 第67-68页 |
| 致谢 | 第68页 |
