| 摘要 | 第4-5页 |
| Abstract | 第5-6页 |
| 第1章 绪论 | 第11-17页 |
| 1.1 研究背景与意义 | 第12页 |
| 1.2 国内外研究现状 | 第12-14页 |
| 1.3 论文的主要内容与结构 | 第14-17页 |
| 第2章 婴儿哭声数据的采集与预处理 | 第17-39页 |
| 2.1 引言 | 第17-19页 |
| 2.1.1 数字语音分析概述 | 第17-19页 |
| 2.1.2 语音数据采集方法 | 第19页 |
| 2.2 婴儿哭声数据集的采集 | 第19-21页 |
| 2.2.1 ESC-50 | 第19-20页 |
| 2.2.2 Freesound | 第20-21页 |
| 2.2.3 数据集的采集过程 | 第21页 |
| 2.3 婴儿哭声信号特征分析 | 第21-34页 |
| 2.3.1 婴儿哭声的特点 | 第22-24页 |
| 2.3.2 婴儿哭声信号预处理 | 第24-27页 |
| 2.3.3 时域及频域特征 | 第27-34页 |
| 2.4 预处理及特征参数对比和选择 | 第34-37页 |
| 2.5 本章小结 | 第37-39页 |
| 第3章 婴儿哭声识别模型的选择与对比 | 第39-55页 |
| 3.1 引言 | 第39页 |
| 3.2 参数设置与训练策略 | 第39-40页 |
| 3.3 基于GMM Fisher Vector特征的婴儿哭声识别方法 | 第40-47页 |
| 3.3.1 高斯混合模型（GMM） | 第41-42页 |
| 3.3.2 GMM Fisher Vector模型 | 第42-43页 |
| 3.3.3 基于GMM Fisher Vector特征编码的识别算法 | 第43-46页 |
| 3.3.4 实验结果分析 | 第46-47页 |
| 3.4 基于深度学习的婴儿哭声识别方法 | 第47-53页 |
| 3.4.1 人工神经网络（ANN） | 第47-48页 |
| 3.4.2 深度神经网络（DNN） | 第48-50页 |
| 3.4.3 长短时记忆单元循环神经网络（LSTM-RNN） | 第50-52页 |
| 3.4.4 实验结果分析 | 第52-53页 |
| 3.5 本章小结 | 第53-55页 |
| 第4章 婴儿哭声识别系统的设计与实现 | 第55-69页 |
| 4.1 系统组成 | 第55-56页 |
| 4.2 研究平台选择 | 第56-57页 |
| 4.3 识别系统的设计与实现 | 第57-68页 |
| 4.3.1 用例设计 | 第57-62页 |
| 4.3.2 系统设计 | 第62-64页 |
| 4.3.3 技术要点 | 第64-66页 |
| 4.3.4 系统部署 | 第66-68页 |
| 4.4 识别系统的测试及结果 | 第68页 |
| 4.5 本章小结 | 第68-69页 |
| 第5章 结论与展望 | 第69-71页 |
| 5.1 工作总结 | 第69页 |
| 5.2 未来工作展望 | 第69-71页 |
| 参考文献 | 第71-79页 |
| 作者简介 | 第79-81页 |
| 1 教育/工作经历 | 第79页 |
| 2 申请或已获得的专利 | 第79-81页 |
| 致谢 | 第81页 |
