目錄 第1章語音學(xué)與智能計(jì)算 1.1 語音學(xué)簡(jiǎn)介 1.2 現(xiàn)代語音學(xué) 1.3 現(xiàn)代語音學(xué)與信息技術(shù)的結(jié)合 1.3.1 語音學(xué)在智能領(lǐng)域的應(yīng)用 1.3.2智能算法在語音學(xué)研究領(lǐng)域的應(yīng)用. 第2章語音信號(hào)的分析 2.1語音信 號(hào)的聲學(xué)基礎(chǔ) 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(chǎn)生的聲學(xué)原理 2.3語音信號(hào)的聲學(xué)特征提取 2.3.1時(shí) 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(diào)的特點(diǎn). 3.1 聲調(diào)、音高與音調(diào) 3.2 漢語的聲調(diào) 3.3聲調(diào)的表示 第4章基于支持向量機(jī)的漢語聲調(diào)識(shí)別 4.1支持向量機(jī)簡(jiǎn)介 4.2支持向量機(jī)算法原理 4.2.1線性支持向量機(jī) 4.2.2非線性支持向量機(jī) 4.2.3核函數(shù) 4.2.4--對(duì)一支持向量機(jī) 4.3基于支持向 量機(jī)的漢語方言聲調(diào)分類的實(shí)現(xiàn) 4.3.1圖像分類任務(wù) 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(diào)分類實(shí)現(xiàn). 4.4 總結(jié) 第5章基于卷積神經(jīng)網(wǎng)絡(luò)的漢語聲調(diào)識(shí)別 5.1人工神經(jīng)網(wǎng)絡(luò)簡(jiǎn)介 5.1.1人工神經(jīng) 網(wǎng)絡(luò) 5.1.2 神經(jīng)元 5.1.3神經(jīng)元的學(xué)習(xí)算法 5.1.4網(wǎng)絡(luò)拓?fù)?5.1.5 網(wǎng)絡(luò)學(xué)習(xí)算法 5.2 BP神經(jīng)網(wǎng)絡(luò) 5.3 卷積神經(jīng)網(wǎng)絡(luò) 5.3.1卷積神經(jīng)網(wǎng)絡(luò)簡(jiǎn)介 5.3.2卷積神經(jīng)網(wǎng)絡(luò)圖像識(shí)別原理 5.3.2卷積神經(jīng)網(wǎng)絡(luò)模型的建立 5.4 基于卷積神經(jīng)網(wǎng)絡(luò)的語譜圖分類實(shí)現(xiàn) 5.4.1數(shù)據(jù)描述 5.4.2實(shí)驗(yàn)步驟 5.4.3實(shí)驗(yàn)結(jié)果 5.5 總結(jié) 第6章基于深度學(xué) 習(xí)的漢語聲調(diào)識(shí)別 6.1深度學(xué)習(xí)方法 6.2 深度神經(jīng)網(wǎng)絡(luò)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(xué)習(xí)的漢語方言聲調(diào)分類的實(shí)現(xiàn) 6.3.1數(shù)據(jù)來源及數(shù)據(jù)特征 6.3.2實(shí)驗(yàn)步驟 6.3.3實(shí) 驗(yàn)結(jié)果分析 6.3.4結(jié)論 6.4 總結(jié) 第7章基于生物計(jì)算的漢語聲調(diào)識(shí)別 7.1生 物計(jì)算簡(jiǎn)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(luò)模型 7.4 基于GSNP系統(tǒng)的漢語方言聲調(diào)分類的實(shí)現(xiàn) 7.5.1實(shí) 驗(yàn)參數(shù)的討論 7.5.4 不同模型的比較 7.6 總結(jié) 第8章漢語聲調(diào)的無監(jiān)督聚類 8.1聚類算法簡(jiǎn)介 8.2基于特征提取的漢語聲調(diào)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(luò) 8.3聚類 有效性評(píng)價(jià) 8.3.1內(nèi)部有 效性指標(biāo) 8.3.2外部有 效性指標(biāo) 8.4基于K-means算法的漢語聲調(diào)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(diǎn)及算法復(fù)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(diào)聚類的實(shí)現(xiàn) 8.5基于層次聚 類算法的漢語聲調(diào)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(diǎn) 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(shí)現(xiàn) 8.6 基于譜聚類的漢語聲調(diào)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(diào)聚類的實(shí)現(xiàn) 8.7 總結(jié) 參考文獻(xiàn).