本文關(guān)鍵詞：基于復(fù)合神經(jīng)網(wǎng)絡(luò)的語(yǔ)音識(shí)別研究，，由筆耕文化傳播整理發(fā)布。

【摘要】：首先,本文對(duì)語(yǔ)音識(shí)別領(lǐng)域的國(guó)內(nèi)外研究情況及其發(fā)展進(jìn)行了介紹。同時(shí),深入的分析了語(yǔ)音信號(hào)的特點(diǎn)和模型、及其在時(shí)域、頻域以及Mel域的處理方法。其中包括信號(hào)的預(yù)處理、信號(hào)的短時(shí)特征、信號(hào)的端點(diǎn)檢測(cè)方法。針對(duì)性的研究了在語(yǔ)音識(shí)別中,需要對(duì)語(yǔ)音信號(hào)進(jìn)行的處理,分析了典型的語(yǔ)音特征提取方法,并提取到語(yǔ)音信號(hào)的MFCC參數(shù)。針對(duì)特征數(shù)據(jù)長(zhǎng)度不一的問(wèn)題,本文采用VQ的方法對(duì)MFCC進(jìn)行了處理,將生成的碼本作為新的特征,得到了相同維數(shù)的語(yǔ)音特征參數(shù)。然后,重點(diǎn)研究了神經(jīng)網(wǎng)絡(luò)中LVQ網(wǎng)絡(luò)和SVM的算法,分析了兩種算法用在語(yǔ)音識(shí)別中的優(yōu)缺點(diǎn),并分別使用這兩種網(wǎng)絡(luò)進(jìn)行訓(xùn)練和識(shí)別,得到測(cè)試結(jié)果。針對(duì)兩者的特點(diǎn),本文提出對(duì)LVQ的改進(jìn),并將改進(jìn)后的LVQ和SVM結(jié)合起來(lái)作為一種復(fù)合網(wǎng)絡(luò)LVQ/SVM進(jìn)行語(yǔ)音識(shí)別。該復(fù)合網(wǎng)絡(luò)不僅具有類(lèi)似于LVQ網(wǎng)絡(luò)結(jié)構(gòu)簡(jiǎn)單、分類(lèi)效率高的優(yōu)點(diǎn),也具備了SVM優(yōu)良的分類(lèi)特性。并且復(fù)合網(wǎng)絡(luò)在SVM分類(lèi)器訓(xùn)練和識(shí)別時(shí),有接近一對(duì)一投票法的訓(xùn)練速度,也能實(shí)現(xiàn)和有向無(wú)環(huán)圖法相當(dāng)?shù)姆诸?lèi)器數(shù)目,同時(shí)有效改善了一對(duì)剩余法中數(shù)據(jù)偏斜的情形。本文通過(guò)對(duì)相關(guān)算法的理論分析和對(duì)各種網(wǎng)絡(luò)的訓(xùn)練結(jié)果得到了相應(yīng)網(wǎng)絡(luò)的識(shí)別結(jié)果,并對(duì)識(shí)別結(jié)果進(jìn)行了分析。本文通過(guò)有效的方法將LVQ和SVM進(jìn)行復(fù)合做語(yǔ)音識(shí)別,研究結(jié)果顯示本文提出的改進(jìn)算法和復(fù)合方案是可行的。
【關(guān)鍵詞】：語(yǔ)音識(shí)別 神經(jīng)網(wǎng)絡(luò) LVQ SVM LVQ/SVM 復(fù)合神經(jīng)網(wǎng)絡(luò)
【學(xué)位授予單位】：貴州大學(xué)
【學(xué)位級(jí)別】：碩士
【學(xué)位授予年份】：2015
【分類(lèi)號(hào)】：TP183;TN912.34
【目錄】：

• 摘要4-5
• Abstract5-6
• 第1章 緒論6-13
• 1.1 語(yǔ)音識(shí)別的背景和意義6-8
• 1.2 國(guó)內(nèi)外研究現(xiàn)狀8-10
• 1.3 語(yǔ)音識(shí)別的發(fā)展趨勢(shì)10
• 1.4 本文的主要研究?jī)?nèi)容10-11
• 1.5 文章結(jié)構(gòu)安排11-12
• 1.6 本章小結(jié)12-13
• 第2章 語(yǔ)音信號(hào)處理13-23
• 2.1 語(yǔ)音信號(hào)13-14
• 2.1.1 語(yǔ)音信號(hào)概述13
• 2.1.2 語(yǔ)音信號(hào)的描述方式13-14
• 2.1.3 語(yǔ)音信號(hào)的模型14
• 2.2 語(yǔ)音信號(hào)的預(yù)處理14-18
• 2.2.1 信號(hào)預(yù)加重14-15
• 2.2.2 分幀和加窗15-16
• 2.2.3 端點(diǎn)檢測(cè)16-18
• 2.3 語(yǔ)音信號(hào)MFCC提取18-20
• 2.4 相關(guān)MFCC處理的問(wèn)題20-22
• 2.4.1 VQ技術(shù)20
• 2.4.2 LBG算法20-22
• 2.4.3 VQ技術(shù)對(duì)處理MFCC的貢獻(xiàn)22
• 2.5 本章小結(jié)22-23
• 第3章 神經(jīng)網(wǎng)絡(luò)理論與語(yǔ)音識(shí)別23-43
• 3.1 人工神經(jīng)網(wǎng)絡(luò)23-24
• 3.2 LVQ與語(yǔ)音識(shí)別24-32
• 3.2.1 競(jìng)爭(zhēng)型網(wǎng)絡(luò)SOM24-27
• 3.2.2 競(jìng)爭(zhēng)型網(wǎng)絡(luò)LVQ27
• 3.2.3 LVQ模型概述27-28
• 3.2.4 LVQ學(xué)習(xí)算法28-29
• 3.2.5 LVQ的改進(jìn)與語(yǔ)音識(shí)別29-32
• 3.3 SVM與語(yǔ)音識(shí)別32-39
• 3.3.1 SVM模型概述32
• 3.3.2 SVM算法32-36
• 3.3.3 SVM參數(shù)36-37
• 3.3.4 SVM與語(yǔ)音識(shí)別37-39
• 3.4 LVQ/SVM與語(yǔ)音識(shí)別39-42
• 3.4.1 LVQ/SVM語(yǔ)音識(shí)別模型39-40
• 3.4.2 LVQ/SVM算法40-41
• 3.4.3 LVQ/SVM網(wǎng)絡(luò)設(shè)計(jì)和訓(xùn)練41-42
• 3.5 本章小結(jié)42-43
• 第4章 識(shí)別測(cè)試與結(jié)果43-62
• 4.1 仿真環(huán)境43
• 4.2 數(shù)據(jù)準(zhǔn)備和處理43-47
• 4.3 模型及其參數(shù)47-57
• 4.4 識(shí)別結(jié)果57-59
• 4.5 結(jié)果分析59-61
• 4.6 本章小結(jié)61-62
• 第5章 總結(jié)和展望62-64
• 5.1 本文的研究成果總結(jié)62-63
• 5.2 本文的不足以及后續(xù)工作延展63
• 5.3 本章小結(jié)63-64
• 致謝64-65
• 參考文獻(xiàn)65-67
• 附錄67-68

【參考文獻(xiàn)】

中國(guó)期刊全文數(shù)據(jù)庫(kù) 前3條

1 羅瑋;嚴(yán)正;;基于廣義學(xué)習(xí)矢量量化和支持向量機(jī)的混合短期負(fù)荷預(yù)測(cè)方法[J];電網(wǎng)技術(shù);2008年13期

2 包亞萍;鄭駿;武曉光;;基于HMM和遺傳神經(jīng)網(wǎng)絡(luò)的語(yǔ)音識(shí)別系統(tǒng)[J];計(jì)算機(jī)工程與科學(xué);2011年04期

3 馮宏偉;薛蕾;;基于HMM和新型前饋型神經(jīng)網(wǎng)絡(luò)的語(yǔ)音識(shí)別研究[J];計(jì)算機(jī)工程與設(shè)計(jì);2010年24期

中國(guó)碩士學(xué)位論文全文數(shù)據(jù)庫(kù) 前1條

1 徐利軍;基于HMM和神經(jīng)網(wǎng)絡(luò)的語(yǔ)音識(shí)別研究[D];湖北工業(yè)大學(xué);2012年

  本文關(guān)鍵詞：基于復(fù)合神經(jīng)網(wǎng)絡(luò)的語(yǔ)音識(shí)別研究，由筆耕文化傳播整理發(fā)布。

本文編號(hào)：398029