| 摘要 | 第1-5页 |
| ABSTRACT | 第5-10页 |
| 第一章 绪论 | 第10-16页 |
| ·研究背景及意义 | 第10页 |
| ·语音识别技术发展进程 | 第10-12页 |
| ·语音识别面临的问题 | 第12-14页 |
| ·文章主要内容 | 第14-16页 |
| ·主要完成工作 | 第14页 |
| ·文章章节安排 | 第14-16页 |
| 第二章 基于支持向量机的语音识别 | 第16-40页 |
| ·语音识别简介 | 第16-17页 |
| ·语音信号处理 | 第17-22页 |
| ·语音信号的预处理 | 第17-20页 |
| ·语音信号的特征提取 | 第20-22页 |
| ·特征参数归一化 | 第22页 |
| ·语音识别系统的模式识别理论 | 第22-26页 |
| ·动态时间规整模型 | 第23页 |
| ·人工神经网络模型 | 第23-24页 |
| ·隐马尔可夫模型 | 第24-25页 |
| ·支持向量机 | 第25-26页 |
| ·统计学习理论 | 第26-31页 |
| ·机器学习的数学模型 | 第26-27页 |
| ·经验风险化最小原则 | 第27-28页 |
| ·学习过程一致性的条件 | 第28-30页 |
| ·VC维 | 第30页 |
| ·结构风险最小化归纳原则 | 第30-31页 |
| ·支持向量机基础理论 | 第31-38页 |
| ·SVM计算流程 | 第32-33页 |
| ·最大分类间隔超平面 | 第33-34页 |
| ·线性可分支持向量机 | 第34-35页 |
| ·线性不可分支持向量机 | 第35-37页 |
| ·SVM中的核函数及C-SVM算法 | 第37-38页 |
| ·本章小结 | 第38-40页 |
| 第三章 基于PCA-MFCC支持向量机快速语音识别 | 第40-58页 |
| ·美尔倒谱系数(FCC) | 第40-43页 |
| ·主成分分析法(PCA) | 第43-47页 |
| ·主成分的几何意义 | 第44页 |
| ·主成分的计算 | 第44-46页 |
| ·主成分的性质 | 第46页 |
| ·主成分个数的确定 | 第46-47页 |
| ·PCA-MFCC计算 | 第47-48页 |
| ·实验环境和实验数据 | 第48-49页 |
| ·实验结果及实验分析 | 第49-57页 |
| ·归一化计算对系统的影响 | 第49-50页 |
| ·MFCC与PCA-MFCC的实验 | 第50-56页 |
| ·特征值贡献度对识别精度和时间影响实验 | 第56-57页 |
| ·本章小结 | 第57-58页 |
| 第四章 支持向量机分组训练预选取算法 | 第58-72页 |
| ·支持向量机分解训练算法 | 第58-59页 |
| ·库恩-塔克条件(KKT) | 第59-60页 |
| ·最小序列优化算法 | 第60-63页 |
| ·最小序列优化算法的特点 | 第60页 |
| ·最小序列优化算法计算过程 | 第60-63页 |
| ·分组训练预选取 | 第63-65页 |
| ·实验结果及实验分析 | 第65-71页 |
| ·实验结果 | 第65-70页 |
| ·实验分析 | 第70-71页 |
| ·本章小结 | 第71-72页 |
| 第五章 总结和展望 | 第72-74页 |
| ·总结 | 第72-73页 |
| ·展望 | 第73-74页 |
| 参考文献 | 第74-78页 |
| 致谢 | 第78-80页 |
| 攻读学位期间发表的学术论文 | 第80页 |