摘要 3-5 ABSTRACT 5-7 目录 8-11 第一章 绪论 11-17 1.1 课题探讨的目的和意义 11 1.2 语音识别的发展与近况 11-13 1.3 语音识别的措施分类 13-15 1.3.1 基于声学和语音学的语音识别模型 13 1.3.2 基于模式匹配的语音识别模型 13-14 1.3.3 基于统计概率的隐马尔科夫语音识别模型 14 1.3.4 基于人工神经网络的语音识别模型 14-15 1.3.5 基于统计学习理论的支持向量机语音识别模型 15 1.4 本文章节内容结构 15-17 第二章 语音识别的基本原理 17-27 2.1 语音识别系统的结构和分类 17-18 2.1.1 语音识别系统框架结构 17 2.1.2 语音识别系统分类 17-18 2.2 语音信号预处理措施 18-22 2.2.1 抗混叠滤波 18-19 2.2.2 预加重 19 2.2.3 分帧加窗处理 19-20 2.2.4 端点检测 20-22 2.3 语音数据的特征提取 22-26 2.3.1 线性预测系数 22-23 2.3.2 LPC倒谱系数 23-24 2.3.3 Mel频率倒谱系数 24-26 2.3.4 过零峰值幅度 26 2.4 本章小结 26-27 第三章 支持向量基本理论 27-39 3.1 统计学习基本理论 27-31 3.1.1 VC维 27-28 3.1.2 推广性的界 28-29 3.1.3 结构风险最小化 29-31 3.2 支持向量机的产生及发展 31-32 3.3 支持向量机基本原理 32-37 3.3.1 线性支持向量机 32-34 3.3.2 线性不可分支持向量机 34-35 3.3.3 非线性支持向量机 35-36 3.3.4 核函数 36-37 3.4 本章小结 37-39 第四章 一对一多类分类算法在语音识别中的运用 39-49 4.1 支持向量机多类分类算法 39-43 4.1.1 一对一多类分类SVM 39-40 4.1.2 一对多多类分类SVM 40-41 4.1.3 有向无环图SVM 41-42 4.1.4 一对一SVM和有向无环图SVM在预测阶段的示意图 42-43 4.2 改进的一对一多类分类算法 43-46 4.2.1 改进的一对一多类分类算法原理 43-44 4.2.2 改进的一对一多类分类算法流程图 44-46 4.3 实验中所用语音库简介 46 4.4 改进的一对一多类分类算法的实验结果及略论 46-48 4.5 本章小结 48-49 第五章 基于K最近邻样本删减的SVM在语音识别中的运用 49-63 5.1 K最近邻样本删减算法 49-52 5.1.1 K最近邻算法的基本原理 49-50 5.1.2 K最近邻算法存在的缺点 50 5.1.3 K最近邻算法在语音识别中的运用 50-52 5.2 改进的KNN-SVM算法 52-56 5.2.1 NN-SVM算法 52-55 5.2.2 KNN-SVM算法 55-56 5.3 改进的KNN-SVM多类分类算法的实验结果及略论 56-61 5.4 本章小结 61-63 第六章 总结与展望 63-65 6.1 总结 63-64 6.2 展望 64-65 参考文献 65-69 致谢 69-71 攻读学位期间发表的学术论文目录 71 |
