| 摘要 | 第4-6页 |
| ABSTRACT | 第6-9页 |
| 符号对照表 | 第13-19页 |
| 第一章 绪论 | 第19-27页 |
| 1.1 研究背景与意义 | 第19-21页 |
| 1.2 语音识别的发展历史和研究现状 | 第21-23页 |
| 1.3 本文的研究内容及创新点 | 第23-25页 |
| 1.4 本文的结构安排 | 第25-27页 |
| 第二章 语音识别基本原理和语音数据库 | 第27-43页 |
| 2.1 引言 | 第27-28页 |
| 2.2 语音信号预处理 | 第28-29页 |
| 2.3 语音信号特征提取 | 第29-30页 |
| 2.4 语音信号处理中的数据处理技术 | 第30-33页 |
| 2.4.1 去噪方法 | 第30-31页 |
| 2.4.2 归一化方法 | 第31-32页 |
| 2.4.3 降维方法 | 第32-33页 |
| 2.5 语音识别的模型训练和模式匹配 | 第33-35页 |
| 2.5.1 动态时间归整模型 | 第33页 |
| 2.5.2 隐马尔可夫模型 | 第33-34页 |
| 2.5.3 人工神经网络 | 第34页 |
| 2.5.4 支持向量机 | 第34-35页 |
| 2.6 语音数据库概述 | 第35-36页 |
| 2.7 语音数据库建库过程 | 第36-37页 |
| 2.7.1 语音数据库的设计 | 第36页 |
| 2.7.2 语音的采集录制 | 第36-37页 |
| 2.7.3 语音数据库的后期整理 | 第37页 |
| 2.8 实验语音库 | 第37-41页 |
| 2.8.1 韩语库 | 第38页 |
| 2.8.2 TIDigits库 | 第38-39页 |
| 2.8.3 CASIA汉语数字串语音库 | 第39页 |
| 2.8.4 UCI Vowel (Deterding)库 | 第39-40页 |
| 2.8.5 UCI ISOLET库 | 第40页 |
| 2.8.6 中文500词语音库 | 第40-41页 |
| 2.9 本章小结 | 第41-43页 |
| 第三章 支持向量机的基本理论 | 第43-59页 |
| 3.1 引言 | 第43-45页 |
| 3.2 机器学习理论 | 第45-47页 |
| 3.2.1 学习问题的数学表达 | 第45-46页 |
| 3.2.2 经验风险最小化原则 | 第46-47页 |
| 3.3 统计学习理论 | 第47-49页 |
| 3.3.1 VC维和泛化误差界 | 第47-48页 |
| 3.3.2 结构风险最小化原则 | 第48-49页 |
| 3.4 支持向量机理论 | 第49-55页 |
| 3.4.1 最优分类超平面 | 第49-50页 |
| 3.4.2 线性可分问题 | 第50-51页 |
| 3.4.3 近似线性可分问题 | 第51-53页 |
| 3.4.4 线性不可分问题 | 第53-55页 |
| 3.5 支持向量机的鲁棒性分析 | 第55-56页 |
| 3.6 面向语音识别的支持向量机模型 | 第56-57页 |
| 3.7 支持向量机实验环境和平台软件 | 第57页 |
| 3.8 本章小结 | 第57-59页 |
| 第四章 支持向量机多类分类算法的研究 | 第59-79页 |
| 4.1 引言 | 第59-60页 |
| 4.2 常见的多类分类方法 | 第60-65页 |
| 4.2.1 个对余组合分类法 | 第60-61页 |
| 4.2.2 个对一组合分类法 | 第61-62页 |
| 4.2.3 决策有向无环图组合分类法 | 第62-63页 |
| 4.2.4 常见的多类分类方法语音实验与结果分析 | 第63-65页 |
| 4.3 M-ary多类分类方法 | 第65-69页 |
| 4.3.1 M-ary方法介绍 | 第65-67页 |
| 4.3.2 M-ary方法的语音实验与结果分析 | 第67-69页 |
| 4.4 纠错输出编码多类分类方法 | 第69-75页 |
| 4.4.1 纠错输出编码方法介绍 | 第69-71页 |
| 4.4.2 纠错输出编码方法的常用编码算法 | 第71-73页 |
| 4.4.3 纠错输出编码方法的语音实验与结果分析 | 第73-75页 |
| 4.5 多类分类算法实验结果综合比较 | 第75-78页 |
| 4.6 本章小结 | 第78-79页 |
| 第五章 支持向量机核函数的研究 | 第79-99页 |
| 5.1 引言 | 第79-80页 |
| 5.2 核函数的基本概念和性质 | 第80-82页 |
| 5.2.1 核函数基本概念 | 第80-81页 |
| 5.2.2 核函数基本性质 | 第81页 |
| 5.2.3 常见的核函数及类型 | 第81-82页 |
| 5.3 核函数的构造方法 | 第82-83页 |
| 5.4 Logistic核函数的研究 | 第83-87页 |
| 5.4.1 Logistic函数介绍 | 第83-84页 |
| 5.4.2 Logistic核函数的证明 | 第84-86页 |
| 5.4.3 Logistic核函数的语音实验与结果分析 | 第86-87页 |
| 5.5 ORF核函数的研究 | 第87-97页 |
| 5.5.1 ORF核函数的构造和证明 | 第87-89页 |
| 5.5.2 ORF核函数的映射趋势分析 | 第89-93页 |
| 5.5.3 ORF核函数的语音实验与结果分析 | 第93-95页 |
| 5.5.4 ORF核函数的双螺旋问题实验 | 第95-97页 |
| 5.6 本章小结 | 第97-99页 |
| 第六章 改进的局部支持向量机算法研究 | 第99-115页 |
| 6.1 引言 | 第99-100页 |
| 6.2 学习算法的一致性 | 第100页 |
| 6.3 局部支持向量机的思想 | 第100-101页 |
| 6.4 典型的局部支持向量机算法 | 第101-103页 |
| 6.4.1 SVM-KNN | 第102页 |
| 6.4.2 LSVM | 第102-103页 |
| 6.5 改进的局部支持向量机算法 | 第103-114页 |
| 6.5.1 改进的局部支持向量机算法描述 | 第103-104页 |
| 6.5.2 改进的局部支持向量机算法的核函数证明 | 第104-105页 |
| 6.5.3 改进的局部支持向量机算法的流程 | 第105-107页 |
| 6.5.4 改进的局部支持向量机的语音实验与结果分析 | 第107-114页 |
| 6.6 本章小结 | 第114-115页 |
| 第七章 总结与展望 | 第115-119页 |
| 7.1 总结 | 第115-116页 |
| 7.2 展望 | 第116-119页 |
| 参考文献 | 第119-129页 |
| 致谢 | 第129-131页 |
| 攻读博士期间已发表的学术论文 | 第131-133页 |
| 攻读博士期间的科研工作及成果 | 第133-135页 |
| 附录 | 第135-136页 |
