基于HMM和ANN的汉语数字语音识别算法研究
| 摘要 | 第1-5页 |
| Abstract | 第5-9页 |
| 第一章 绪论 | 第9-15页 |
| ·选题的目的和意义 | 第9-10页 |
| ·语音识别的分类及系统描述 | 第10-12页 |
| ·语音识别技术的发展和现状 | 第12-13页 |
| ·语音识别目前存在的问题 | 第13-14页 |
| ·本文主要研究工作 | 第14-15页 |
| 第二章 语音信号处理的基本理论 | 第15-28页 |
| ·发音系统和听觉系统的数学模型 | 第15-17页 |
| ·语音信号产生的数学模型 | 第15-17页 |
| ·人类听觉系统特性 | 第17页 |
| ·信号预处理 | 第17-21页 |
| ·预滤波和分帧加窗 | 第18-19页 |
| ·端点检测 | 第19-21页 |
| ·语音特征提取 | 第21-27页 |
| ·线性预测系数(LPC) | 第22-24页 |
| ·线性预测倒谱系数(LPCC) | 第24-25页 |
| ·感觉加权的线性预测(PLP) | 第25页 |
| ·美尔频倒谱系数(MFCC) | 第25-27页 |
| ·本章小结 | 第27-28页 |
| 第三章 数字语音识别中的模型 | 第28-54页 |
| ·概述 | 第28-29页 |
| ·模板训练和模板匹配 | 第29-30页 |
| ·隐马尔可夫模型(HMM) | 第30-40页 |
| ·HMM模型的基本原理及模型参数 | 第30-32页 |
| ·HMM模型的三个基本问题 | 第32-33页 |
| ·基于HMM的数字语音识别 | 第33-38页 |
| ·孤立词和连接词识别 | 第38-40页 |
| ·人工神经网络(ANN) | 第40-52页 |
| ·神经网络的基本概念 | 第40-43页 |
| ·BP网络模型 | 第43-46页 |
| ·自组织特征映射模型(SOFM) | 第46-51页 |
| ·神经网络在语音识别中的应用 | 第51-52页 |
| ·本章小结 | 第52-54页 |
| 第四章 HMM和ANN结合的数字语音识别 | 第54-62页 |
| ·概述 | 第54-55页 |
| ·混合系统的实现与分析 | 第55-61页 |
| ·系统前端处理 | 第55-56页 |
| ·利用CDHMM产生最佳状态序列 | 第56-58页 |
| ·同一状态内语音信号的时间归整原理 | 第58-60页 |
| ·自组织神经网络的训练算法 | 第60-61页 |
| ·本章小结 | 第61-62页 |
| 第五章 仿真实验结果与分析 | 第62-72页 |
| ·仿真实验原理 | 第62-64页 |
| ·语音信号的采集及数据库的建立 | 第64页 |
| ·语音信号的采集过程 | 第64页 |
| ·数字语音数据库的建立 | 第64页 |
| ·信号预处理 | 第64-67页 |
| ·特征参数提取 | 第67页 |
| ·训练和识别模型 | 第67-69页 |
| ·HMM模型 | 第67-68页 |
| ·HMM和自组织神经网络结合的混合模型 | 第68-69页 |
| ·识别算法的性能分析 | 第69-71页 |
| ·训练识别方法 | 第69页 |
| ·算法的准确性测试 | 第69-70页 |
| ·算法的抗噪性测试 | 第70-71页 |
| ·本章小结 | 第71-72页 |
| 第六章 结论与展望 | 第72-74页 |
| ·本文总结 | 第72-73页 |
| ·本文展望 | 第73-74页 |
| 参考文献 | 第74-78页 |
| 在校期间发表的论文 | 第78-79页 |
| 致谢 | 第79页 |
