连续语音中的笑声检测研究与实现
| 摘要 | 第5-6页 |
| abstract | 第6页 |
| 第1章 绪论 | 第9-14页 |
| 1.1 课题的研究背景和意义 | 第9-10页 |
| 1.2 研究现状 | 第10-12页 |
| 1.2.1 副语言信息概述 | 第10页 |
| 1.2.2 笑声检测概述以及研究现状 | 第10-12页 |
| 1.3 本文的主要工作 | 第12页 |
| 1.4 本文的章节安排 | 第12-14页 |
| 第2章 笑声事件定义与特征提取 | 第14-24页 |
| 2.1 笑声事件的定义与分析 | 第14-15页 |
| 2.2 语音数据库和实验平台 | 第15-17页 |
| 2.2.1 语音数据库 | 第15-16页 |
| 2.2.2 实验平台 | 第16-17页 |
| 2.3 语音信号预处理 | 第17-19页 |
| 2.3.1 语音信号预加重和分帧加窗 | 第17-19页 |
| 2.3.2 语音信号端点检测 | 第19页 |
| 2.4 特征分析和提取 | 第19-23页 |
| 2.4.1 基音频率 | 第20-21页 |
| 2.4.2 梅尔倒谱系数 | 第21-23页 |
| 2.5 本章小结 | 第23-24页 |
| 第3章 笑声检测模型 | 第24-40页 |
| 3.1 笑声检测与机器学习算法 | 第24-26页 |
| 3.2 支持向量机 | 第26-27页 |
| 3.3 极限学习机算法 | 第27-32页 |
| 3.3.1 人工神经网络算法简介 | 第28-30页 |
| 3.3.2 ELM算法原理 | 第30-32页 |
| 3.4 实验设计和分析 | 第32-38页 |
| 3.4.1 实验设计 | 第32-33页 |
| 3.4.2 基于SVM算法实验设计和结果 | 第33-34页 |
| 3.4.3 基于ELM算法实验设计和结果 | 第34-37页 |
| 3.4.4 实验对比 | 第37-38页 |
| 3.5 本章小结 | 第38-40页 |
| 第四章 基于笑声长时特性的系统性能优化 | 第40-43页 |
| 4.1 优化方法的基本思想 | 第40页 |
| 4.2 基于ELM算法检测结果的优化 | 第40-42页 |
| 4.3 本章小结 | 第42-43页 |
| 第五章 工作总结与展望 | 第43-46页 |
| 5.1 工作总结 | 第43-44页 |
| 5.2 后期展望 | 第44-46页 |
| 参考文献 | 第46-51页 |
| 致谢 | 第51页 |
