| 摘要 | 第4-5页 |
| Abstract | 第5-6页 |
| 第一章 绪论 | 第10-16页 |
| 1.1 概述 | 第10页 |
| 1.2 国内外研究现状 | 第10-12页 |
| 1.2.1 国外研究现状 | 第10-12页 |
| 1.2.2 国内研究现状 | 第12页 |
| 1.3 语音信号处理与语音识别系统 | 第12-14页 |
| 1.3.1 语音信号处理 | 第12-13页 |
| 1.3.2 语音识别系统 | 第13-14页 |
| 1.4 语音识别存在的重难点 | 第14页 |
| 1.5 本文的研究内容与章节安排 | 第14-16页 |
| 第二章 语音技术理论基础 | 第16-26页 |
| 2.1 语音信号的产生感知和数字模型 | 第16-19页 |
| 2.1.1 语音信号的产生与感知 | 第16-17页 |
| 2.1.2 语音信号产生的数学模型 | 第17-19页 |
| 2.2 语音信号的特性分析 | 第19-21页 |
| 2.2.1 语音信号时域波形和频域特性 | 第19-20页 |
| 2.2.2 语音信号的语谱图 | 第20页 |
| 2.2.3 语音信号的统计特性 | 第20-21页 |
| 2.3 语音信号的数字化和预处理 | 第21-25页 |
| 2.3.1 语音信号的数字化 | 第21-22页 |
| 2.3.2 语音信号的预处理 | 第22-25页 |
| 2.4 本章小结 | 第25-26页 |
| 第三章 基于EMD改进的多窗谱估计语音增强算法 | 第26-41页 |
| 3.1 引言 | 第26页 |
| 3.2 语音的噪声特性 | 第26-27页 |
| 3.3 传统的语音增强技术 | 第27-31页 |
| 3.3.1 滤波法—LMS自适应滤波器 | 第27-28页 |
| 3.3.2 非线性处理法—同态滤波法 | 第28-30页 |
| 3.3.3 谱减法语音增强技术 | 第30-31页 |
| 3.4 一种基于EMD改进的多窗谱估计谱减法语音增强算法 | 第31-37页 |
| 3.4.1 经验模式分解(EMD)原理 | 第32-34页 |
| 3.4.2 多窗谱估计改进的谱减法 | 第34-35页 |
| 3.4.3 结合EMD改进的多窗谱估计谱减法创新思路 | 第35-37页 |
| 3.5 实验及结果分析 | 第37-40页 |
| 3.6 本章小结 | 第40-41页 |
| 第四章 L-M倒谱距离积自适应阈值端点检测算法 | 第41-57页 |
| 4.1 引言 | 第41页 |
| 4.2 传统的语音端点检测算法 | 第41-45页 |
| 4.2.1 时域参数法—短时能量和短时平均过零率 | 第41-44页 |
| 4.2.2 频域参数法—谱熵法 | 第44-45页 |
| 4.3 一种基于L-M倒谱距离积的自适应阈值端点检测算法 | 第45-53页 |
| 4.3.1 线性预测倒谱系数(LPCC) | 第45-47页 |
| 4.3.2 Mel频率倒谱系数(MFCC) | 第47-49页 |
| 4.3.3 倒谱距离法端点检测 | 第49-50页 |
| 4.3.4 基于L-M倒谱距离积的自适应阈值端点检测创新思路 | 第50-53页 |
| 4.4 实验及结果分析 | 第53-56页 |
| 4.5 本章小结 | 第56-57页 |
| 第五章 基于HMM模型的语音识别系统仿真实现与性能分析 | 第57-69页 |
| 5.1 引言 | 第57页 |
| 5.2 基于HMM模型的语音识别系统设计 | 第57-62页 |
| 5.2.1 基于HMM模型的语音训练与识别 | 第57-61页 |
| 5.2.2 语音识别系统的实现 | 第61-62页 |
| 5.3 语音识别系统的仿真 | 第62-65页 |
| 5.3.1 训练语音样本的HMM参数训练 | 第63-64页 |
| 5.3.2 待识别语音样本的Viterbi识别 | 第64-65页 |
| 5.4 改进前后语音识别系统性能对比分析 | 第65-68页 |
| 5.5 本章小结 | 第68-69页 |
| 第六章 总结和展望 | 第69-71页 |
| 6.1 总结 | 第69-70页 |
| 6.2 工作展望 | 第70-71页 |
| 致谢 | 第71-72页 |
| 攻读硕士学位期间主要的研究成果 | 第72-73页 |
| 参考文献 | 第73-76页 |
| 附录一 插图清单 | 第76-78页 |
| 附录二 图表清单 | 第78页 |
