首页--工业技术论文--无线电电子学、电信技术论文--通信论文--电声技术和语音信号处理论文--语音信号处理论文--语音识别与设备论文

高效简约的语音识别声学模型

摘要第1-4页
ABSTRACT第4-10页
第一章 绪论第10-20页
 §1.1 语音识别第10-11页
  §1.1.1 简介第10-11页
  §1.1.2 发展简史第11页
 §1.2 基于HMM的语音识别系统第11-16页
  §1.2.1 信号处理第12-13页
  §1.2.2 声学模型第13-14页
  §1.2.3 语言模型第14-15页
  §1.2.4 解码器第15-16页
 §1.3 存在的问题与解决方案第16-18页
 §1.4 本文的组织结构第18-20页
第二章 基于HMM的声学模型第20-34页
 §2.1 HMM模型第20-27页
  §2.1.1 HMM数学定义第20-22页
  §2.1.2 HMM模型分类第22-24页
  §2.1.3 HMM模型的基本问题第24-27页
 §2.2 声学模型第27-31页
  §2.2.1 建模单元第28-29页
  §2.2.2 参数绑定第29-31页
 §2.3 本章小结第31-34页
第三章 最小分类错误训练第34-50页
 §3.1 贝叶斯决策理论第34-35页
 §3.2 最小分类错误训练第35-40页
  §3.2.1 MCE分类器设计策略第36-37页
  §3.2.2 基于MCE的HMM模型训练第37-40页
 §3.3 实验结果第40-45页
  §3.3.1 TiDigits上的实验结果第41-44页
  §3.3.2 RM上的实验结果第44-45页
 §3.4 子空间分布聚类HMM的MCE训练第45-49页
  §3.4.1 子空间分布聚类HMM及其MCE训练第45-47页
  §3.4.2 实验结果第47-49页
 §3.5 本章小结第49-50页
第四章 基于区分性特征提取的特征降维第50-62页
 §4.1 常用降维方法第50-53页
  §4.1.1 主分量分析第50-51页
  §4.1.2 线形判别分析第51-53页
  §4.1.3 PCA和LDA变换的降维性能第53页
 §4.2 基于区分性特征提取的特征降维第53-57页
  §4.2.1 区分性特征提取第54-55页
  §4.2.2 特征降维变换的梯度计算第55-56页
  §4.2.3 实验结果第56-57页
 §4.3 集去相关与降维于一体的特征提取第57-61页
  §4.3.1 DFE框架下LDA变换的三种形式第58-59页
  §4.3.2 LDA变换与DCT变换的比较第59-60页
  §4.3.3 新特征提取方法的降维效果第60-61页
 §4.4 本章小结第61-62页
第五章 声学模型各状态高斯分布数的优化分配第62-76页
 §5.1 基于似然度的分配方法第62-64页
 §5.2 基于BIC的确定方法第64-65页
 §5.3 基于Kullback-Leibler散度的分配方法第65-68页
  §5.3.1 Kullback-Leibler散度及其近似计算方法第66-67页
  §5.3.2 基于KLD的分配方法第67-68页
 §5.4 基于状态间分散度的分配方法第68-72页
  §5.4.1 易混淆状态集的获取第70页
  §5.4.2 基于状态间分散度的分配方法第70-72页
 §5.5 实验结果第72-75页
  §5.5.1 RM上的实验结果第72-74页
  §5.5.2 TiDigits上的实验结果第74-75页
 §5.6 本章小结第75-76页
第六章 特征维高斯核的优化聚类与非均一分配第76-90页
 §6.1 已有方法存在的问题与解决办法第76-77页
 §6.2 高斯核的优化聚类第77-79页
 §6.3 高斯核的非均一分配第79-85页
  §6.3.1 基于KLD的非均一分配第80-82页
  §6.3.2 基于似然度的非均一分配第82-85页
 §6.4 实验结果第85-89页
  §6.4.1 RM上的实验结果第85-87页
  §6.4.2 汉语股票名数据库上的实验结果第87-89页
 §6.5 本章小结第89-90页
第七章 结束语第90-94页
 §7.1 论文的工作第90-92页
 §7.2 进一步的研究方向第92-94页
参考文献第94-106页
附录:英文缩写第106-108页
致谢第108-110页
简要研究经历第110-112页
已发表论文第112页

论文共112页,点击 下载论文
上一篇:镜湖萼花臂尾轮虫夏季种群内克隆间遗传和生殖差异及沉积物中轮虫休眠卵的萌发研究
下一篇:小鼠胚胎干细胞系的构建研究