| 摘要 | 第3-5页 |
| ABSTRACT | 第5-6页 |
| 第一章 绪论 | 第10-16页 |
| 1.1 课题研究的背景及意义 | 第10-11页 |
| 1.2 语音识别的发展与现状 | 第11-12页 |
| 1.3 语音识别遇到的问题 | 第12-14页 |
| 1.4 完成的主要工作 | 第14-15页 |
| 1.5 文章结构安排 | 第15-16页 |
| 第二章 语音识别的基础理论 | 第16-24页 |
| 2.1 语音识别基本理论 | 第16-17页 |
| 2.2 语音信号的预处理 | 第17-19页 |
| 2.2.1 预滤波 | 第17页 |
| 2.2.2 预加重 | 第17-18页 |
| 2.2.3 加窗分帧 | 第18页 |
| 2.2.4 端点检测 | 第18-19页 |
| 2.3 语音信号的特征提取算法 | 第19-21页 |
| 2.3.1 美尔频率倒谱系数 | 第20-21页 |
| 2.3.2 耳蜗滤波器倒谱系数 | 第21页 |
| 2.4 语音识别的模型训练与模式匹配 | 第21-23页 |
| 2.4.1 隐马尔可夫 | 第21-22页 |
| 2.4.2 人工神经网络 | 第22-23页 |
| 2.4.3 支持向量机 | 第23页 |
| 2.5 本章小结 | 第23-24页 |
| 第三章 支持向量机基本原理与加权理论 | 第24-34页 |
| 3.1 统计学习理论 | 第24-26页 |
| 3.1.1 VC 维 | 第24-25页 |
| 3.1.2 结构风险最小化原则 | 第25-26页 |
| 3.2 支持向量机基本理论 | 第26-31页 |
| 3.2.1 线性支持向量机 | 第27-29页 |
| 3.2.2 非线性支持向量机 | 第29-30页 |
| 3.2.3 多类分类问题 | 第30-31页 |
| 3.3 加权算法 | 第31-33页 |
| 3.4 本章小结 | 第33-34页 |
| 第四章 改进的 FSVM 加权算法 | 第34-48页 |
| 4.1 模糊支持向量机的基本理论 | 第34-36页 |
| 4.1.1 多类模糊支持向量机 | 第34-35页 |
| 4.1.2 一般模糊支持向量机 | 第35-36页 |
| 4.1.3 基于可能性理论的模糊支持向量机 | 第36页 |
| 4.1.4 基于模糊规划的模糊支持向量机 | 第36页 |
| 4.2 特征加权方法 | 第36-37页 |
| 4.3 特征加权改进的模糊支持向量机 | 第37-39页 |
| 4.4 实验结果 | 第39-46页 |
| 4.4.1 实验环境和数据库 | 第39-40页 |
| 4.4.2 实验结果和分析 | 第40-46页 |
| 4.5 本章小结 | 第46-48页 |
| 第五章 基于 AdaBoost 的 SVM 加权算法 | 第48-64页 |
| 5.1 AdaBoost 算法 | 第48-53页 |
| 5.1.1 AdaBoost 实现两分类 | 第49-52页 |
| 5.1.2 多分类 AdaBoost.M2 | 第52-53页 |
| 5.2 AdaBoost.M2-SVM | 第53-54页 |
| 5.3 用雁群改进的 AdaBoost.M2-SVM | 第54-58页 |
| 5.3.1 粒子群优化算法 | 第54-56页 |
| 5.3.2 基于雁群启示的粒子群优化算法 GeesePSO | 第56-57页 |
| 5.3.3 用雁群改进的 AdaBoost.M2-SVM | 第57-58页 |
| 5.4 实验结果 | 第58-63页 |
| 5.4.1 实验环境和数据库 | 第58页 |
| 5.4.2 实验结果和分析 | 第58-63页 |
| 5.5 本章小结 | 第63-64页 |
| 第六章 总结与展望 | 第64-66页 |
| 6.1 总结 | 第64-65页 |
| 6.2 展望 | 第65-66页 |
| 参考文献 | 第66-70页 |
| 致谢 | 第70-72页 |
| 攻读学位期间发表的学术论文目录 | 第72页 |
