智能計算在漢語方言聲調識別中的應用

目錄
第1章語音學與智能計算
1.1 語音學簡介
1.2 現(xiàn)代語音學
1.3 現(xiàn)代語音學與信息技術的結合
1.3.1 語音學在智能領域的應用
1.3.2智能算法在語音學研究領域的應用.
第2章語音信號的分析
2.1語音信 號的聲學基礎
2.1.1聲波
2.1.2聲波的物理量
2.1.3聲音的四要 索
2.2語音生成系統(tǒng)和感知系統(tǒng)
2.2.1語 音的來源
2.2.2語 音的三種聲源
2.2.3語 音產生的聲學原理
2.3語音信號的聲學特征提取
2.3.1時 域和頻域
2.3.3語譜圖
2.3.4梅爾頻率語譜圖與梅爾倒譜系數(shù)
2.3.5基頻
第3章漢語聲調的特點.
3.1 聲調、音高與音調
3.2 漢語的聲調
3.3聲調的表示
第4章基于支持向量機的漢語聲調識別
4.1支持向量機簡介
4.2支持向量機算法原理
4.2.1線性支持向量機
4.2.2非線性支持向量機
4.2.3核函數(shù)
4.2.4--對一支持向量機
4.3基于支持向 量機的漢語方言聲調分類的實現(xiàn)
4.3.1圖像分類任務
4.3.2特征選擇 與提取
4.3.3基于SVM 算法的漢語方言聲調分類實現(xiàn).
4.4 總結
第5章基于卷積神經(jīng)網(wǎng)絡的漢語聲調識別
5.1人工神經(jīng)網(wǎng)絡簡介
5.1.1人工神經(jīng) 網(wǎng)絡
5.1.2 神經(jīng)元
5.1.3神經(jīng)元的學習算法
5.1.4網(wǎng)絡拓撲
5.1.5 網(wǎng)絡學習算法
5.2 BP神經(jīng)網(wǎng)絡
5.3 卷積神經(jīng)網(wǎng)絡
5.3.1卷積神經(jīng)網(wǎng)絡簡介
5.3.2卷積神經(jīng)網(wǎng)絡圖像識別原理
5.3.2卷積神經(jīng)網(wǎng)絡模型的建立
5.4 基于卷積神經(jīng)網(wǎng)絡的語譜圖分類實現(xiàn)
5.4.1數(shù)據(jù)描述
5.4.2實驗步驟
5.4.3實驗結果
5.5 總結
第6章基于深度學 習的漢語聲調識別
6.1深度學習方法
6.2 深度神經(jīng)網(wǎng)絡模型
6.2.1 AlexNet 模型
6.2.2 VGGNet 模型
6.2.3 GoogLeNet 模型
6.3.4 ResNet模型
6.3基于深度學習的漢語方言聲調分類的實現(xiàn)
6.3.1數(shù)據(jù)來源及數(shù)據(jù)特征
6.3.2實驗步驟
6.3.3實 驗結果分析
6.3.4結論
6.4 總結
第7章基于生物計算的漢語聲調識別
7.1生 物計算簡介
7.2脈沖神經(jīng)膜系統(tǒng)原理
7.2.1脈沖神經(jīng)膜系統(tǒng)的基本概念
7.2.2脈 沖神經(jīng)膜系統(tǒng)的分類
7.2.3脈 沖神經(jīng)膜系統(tǒng)的形式化定義
7.3 門限脈沖神經(jīng)膜系統(tǒng)模型
7.3.1 定義
7.3.2 網(wǎng)絡模型
7.4 基于GSNP系統(tǒng)的漢語方言聲調分類的實現(xiàn)
7.5.1實 驗參數(shù)的討論
7.5.4 不同模型的比較
7.6 總結
第8章漢語聲調的無監(jiān)督聚類
8.1聚類算法簡介
8.2基于特征提取的漢語聲調聚類
8.2.1圖像的 主成分分析
8.2.2圖像 的神經(jīng)網(wǎng)絡
8.3聚類 有效性評價
8.3.1內部有 效性指標
8.3.2外部有 效性指標
8.4基于K-means算法的漢語聲調聚類
8.4.1 K-means 算法的原理
8.4.2相似性度量方式
8.4.3 K-means 算法流程
8.4.4 K-means 算法的優(yōu)缺點及算法復雜度
8.4.5 SciPy聚類包
8.4.6 K 值的選取方法.
8.4.7基于K-means算法的漢語方言聲調聚類的實現(xiàn)
8.5基于層次聚 類算法的漢語聲調聚類
8.5.1層次 聚類算法原理
8.5.2凝聚 和分裂層次聚類
8.5.3簇間距離度量方法
8.5.4層次聚 類的優(yōu)缺點
8.5.5基于最小距離的層次聚類算法的基本思想
8.5.6基于層次 聚類的語譜圖的聚類實現(xiàn)
8.6 基于譜聚類的漢語聲調聚類
8.6.1譜聚類基 本原理
8.6.2譜聚類算法流程
8.6.3 sklearn 庫中的譜聚類使用
8.6.4基于譜聚類的漢語方言聲調聚類的實現(xiàn)
8.7 總結
參考文獻.