| 摘要 | 第3-5页 |
| Abstract | 第5-6页 |
| 第1章 绪论 | 第9-16页 |
| 1.1 病态嗓音识别研究的现状 | 第10-12页 |
| 1.2 病态嗓音识别的一般识别技术 | 第12-13页 |
| 1.3 病态嗓音的特征提取 | 第13页 |
| 1.4 模式识别 | 第13-14页 |
| 1.5 本研究主要内容 | 第14-16页 |
| 第2章 特征参数原理及模式识别理论 | 第16-28页 |
| 2.1 传统声学特征参数 | 第16-17页 |
| 2.1.1 Mel频率倒谱系数 | 第16页 |
| 2.1.2 线性预测倒谱系数 | 第16页 |
| 2.1.3 基音频率 | 第16页 |
| 2.1.4 频率微扰 | 第16-17页 |
| 2.1.5 振幅微扰 | 第17页 |
| 2.2 动力学非线性特征参数 | 第17-23页 |
| 2.2.1 熵 | 第17-21页 |
| 2.2.2 Hurst参数 | 第21页 |
| 2.2.3 计盒维数与计维截距 | 第21-22页 |
| 2.2.4 关联维数 | 第22页 |
| 2.2.5 最大Lyapunov指数 | 第22-23页 |
| 2.3 模式识别 | 第23页 |
| 2.4 支持向量机识别机 | 第23-27页 |
| 2.4.1 统计学理论 | 第23-24页 |
| 2.4.2 支持向量机(Support Vector Machine,SVM) | 第24-27页 |
| 2.5 本章小结 | 第27-28页 |
| 第3章 核主成分分析方法及多特征组合 | 第28-33页 |
| 3.1 引言 | 第28页 |
| 3.2 核主成分分析(KPCA) | 第28-31页 |
| 3.2.1 核函数 | 第30页 |
| 3.2.2 KPCA方法具体实现步骤 | 第30-31页 |
| 3.3 多特征参数组合 | 第31-32页 |
| 3.4 本章小结 | 第32-33页 |
| 第4章 人耳滤波器组及动力学非线性特征参数提取 | 第33-45页 |
| 4.1 引言 | 第33页 |
| 4.2 人耳滤波器 | 第33-43页 |
| 4.2.1 耳蜗的滤波特性 | 第33-34页 |
| 4.2.2 频率尺度变换 | 第34-36页 |
| 4.2.3 Mel滤波器 | 第36-37页 |
| 4.2.4 Gammatone滤波器 | 第37-40页 |
| 4.2.5 Gammachirp滤波器 | 第40-43页 |
| 4.3 动力学非线性特征参数的提取 | 第43-44页 |
| 4.4 本章小结 | 第44-45页 |
| 第5章 特征参数于病态嗓音的优化实现 | 第45-66页 |
| 5.1 特征分析 | 第45-49页 |
| 5.1.1 频域分析 | 第45-46页 |
| 5.1.2 各个特征参数值的数据分布 | 第46-49页 |
| 5.2 多特征组合参数基于KPCA方法的优化 | 第49-54页 |
| 5.2.1 基于KPCA方法多特征参数组合优化过程 | 第49-50页 |
| 5.2.2 实验识别结果及分析 | 第50-54页 |
| 5.3 基于人耳滤波器组的非线性特征参数优化 | 第54-65页 |
| 5.3.1 基于人耳滤波器组的非线性特征参数提取 | 第54页 |
| 5.3.2 分帧研究——较佳帧的选择 | 第54-57页 |
| 5.3.3 特征的连接周期研究——最佳周期的选择 | 第57-60页 |
| 5.3.4 特征参数于SVM的识别结果及分析 | 第60-65页 |
| 5.3.5 小结 | 第65页 |
| 5.4 本章小结 | 第65-66页 |
| 第6章 总结与展望 | 第66-68页 |
| 6.1 本研究主要的研究工作及创新 | 第66-67页 |
| 6.1.1 多特征的组合参数优化 | 第66页 |
| 6.1.2 非线性特征参数的提取优化 | 第66页 |
| 6.1.3 创新点 | 第66-67页 |
| 6.2 展望 | 第67-68页 |
| 参考文献 | 第68-72页 |
| 攻读硕士学位期间发表的论文 | 第72-73页 |
| 致谢 | 第73-74页 |