基于自动编码的机器人声学参数提取及带噪语音识别
| 摘要 | 第3-4页 |
| ABSTRACT | 第4页 |
| 第1章 引言 | 第7-13页 |
| 1.1 研究原因 | 第8-10页 |
| 1.1.1 语音识别的实现与研究 | 第8-9页 |
| 1.1.2 大量训练数据的挑战与机遇 | 第9-10页 |
| 1.2 研究现状 | 第10-11页 |
| 1.2.1 研究背景 | 第10页 |
| 1.2.2 降噪自动编码器 | 第10-11页 |
| 1.3 论文的研究重点及结构 | 第11-13页 |
| 第2章 语音识别主要流程与关键技术 | 第13-31页 |
| 2.1 语音识别总体框架 | 第13-14页 |
| 2.2 预处理 | 第14-16页 |
| 2.2.1 预滤波 | 第14页 |
| 2.2.2 采样和量化 | 第14页 |
| 2.2.3 预加重 | 第14-15页 |
| 2.2.4 分帧加窗 | 第15页 |
| 2.2.5 端点检测 | 第15-16页 |
| 2.3 特征参数提取 | 第16-21页 |
| 2.3.1 线性预测倒谱系数LPCC | 第16-18页 |
| 2.3.2 Mel倒谱系数MFCC | 第18-21页 |
| 2.4 训练与识别 | 第21-23页 |
| 2.4.1 动态时间规整算法(DTW) | 第21-22页 |
| 2.4.2 隐马尔可夫模型（HMM） | 第22-23页 |
| 2.5 人工神经网络 | 第23-29页 |
| 2.5.1 人工神经网络的基本概念 | 第24-25页 |
| 2.5.2 反向传播算法 | 第25-26页 |
| 2.5.3 BP神经网络 | 第26-27页 |
| 2.5.4 深度神经网络 | 第27页 |
| 2.5.5 受限波尔兹曼机（RBM） | 第27-28页 |
| 2.5.6 深度置信网络（DBN） | 第28-29页 |
| 2.6 本章小结 | 第29-31页 |
| 第3章 基于降噪自动编码器的语音识别 | 第31-39页 |
| 3.1 自动编码器 | 第31-35页 |
| 3.1.1 深度自动编码器的训练 | 第33-35页 |
| 3.2 基于降噪自动编码器的语音识别 | 第35-36页 |
| 3.3 基于降噪自动编码器的前后端结合 | 第36-37页 |
| 3.4 本章小结 | 第37-39页 |
| 第4章 实验及结论 | 第39-55页 |
| 4.1 实验数据 | 第39-40页 |
| 4.2 实验环境 | 第40-41页 |
| 4.3 不同特征参数抗噪性研究 | 第41-46页 |
| 4.4 HMM框架与神经网络 | 第46-50页 |
| 4.4.1 特征参数规整 | 第46-47页 |
| 4.4.2 BP网络与DBN网络 | 第47页 |
| 4.4.3 DAE网络与d AE网络 | 第47-48页 |
| 4.4.4 结果对比 | 第48-50页 |
| 4.5 d AE网络结构与识别率 | 第50-52页 |
| 4.5.1 抗噪性能分析 | 第51-52页 |
| 4.6 前后端结合 | 第52-53页 |
| 4.7 本章小结 | 第53-55页 |
| 第5章 总结与展望 | 第55-57页 |
| 5.1 总结 | 第55-56页 |
| 5.2 展望 | 第56-57页 |
| 参考文献 | 第57-61页 |
| 发表论文和参加科研情况说明 | 第61-63页 |
| 致谢 | 第63页 |
