一、用多观察序列训练隐马耳可夫模型的一种通用算法（论文文献综述）
余佳航[1]（2018）在《基于计算机视觉的原笔迹提取与汉字识别研究》文中指出汉字书写是中华民族自古以来形成、坚持并传承的习惯,利用键盘和鼠标的输入方式解决了计算机的汉字输入难题,但是传统的书写习惯被破坏,不利于汉字文化的传承;而借助写字板、触摸屏等辅助设备的输入方式需要额外的专业设备,且价格昂贵,未能大规模应用。本文旨在研究一种基于计算机视觉和机器学习的原笔迹提取与汉字识别方法;实现一种低成本、回归自然,但又适应现代数字化计算机的文字输入方式。本文的主要创新工作和研究成果总结如下。本文提出了一种原笔迹提取算法。该算法首先利用肤色检测算法获取握笔手指的位置信息,并根据空间位置关系确定笔迹提取的目标区域。接着采取“由粗到精”的策略逐步排除噪声,提取每帧图像中增长的笔划信息,具体步骤依次为:利用边缘检测,对图像进行“预分割”,获取可能存在笔划的区域位置信息,减少运算量;利用本文定义的一种针对笔划特征的特殊特征提取算子,对单帧图像进行疑似笔划像素点提取;利用连续多帧图像排除干扰噪声,选出疑似笔划中的真正增长笔划。最后根据笔划信息进行原笔迹实时显示,以像素点坐标序列的形式对笔迹进行数字化存储。本文以隐马尔可夫模型为基础,提出并实现了一种在线手写汉字识别算法。该算法首先在原笔迹提取得到的笔划像素点坐标序列中,利用拐点检测算法提取笔划的拐点,将笔划分割为笔段;其次,使用SVM方法对笔段进行分类,得到汉字的笔段编码序列;最后,通过隐马尔可夫模型对手写汉字进行模型建立、训练和识别。本文对40个常用汉字进行了训练和识别实验,正确率达到81%以上。本文使用VS2013开发环境,借助MFC平台和OpenCV库函数开发了一套原笔迹提取与汉字识别系统软件。借助上述原笔迹提取算法和手写汉字识别算法,该系统实现了原笔迹实时显示与保存、汉字识别等基本功能,以及原笔迹颜色设置、清屏、全屏教学模式等附加功能,可在课堂教学中进行板书演示。本文实现的基于计算机视觉的原笔迹提取与汉字识别方法,采用普通USB摄像头,书写人在普通白纸上自然书写,维持了传统的书写方式和习惯,保障了流畅的书写感受,可应用于数字化课堂教学、个性化签名、日常笔记等领域。算法也可移植到智能手机,解决其屏幕小、难以大量输入文字的难题,具有广泛的应用价值。
周郑[2]（2018）在《基于S变换综合相对熵和连续隐马尔可夫模型的电网故障诊断方法》文中研究表明当今,电网的规模不断地扩大,电网之间跨区域互联越来越紧密。电网发生故障时,一旦处理不及时,可能会引起大面积停电。当电网发生故障时,大量的故障信息涌入调度中心,根据这些故障信息快速识别出故障线路、判断出输电线路的故障类型,是电网故障诊断方法的目标。故障诊断涉及两方面内容,识别故障线路;判断输电线路的故障类型,进行故障选相。已有的电网故障线路识别方法,大多利用开关量来诊断。电气量因信息量大、波形可靠,具有开关量无法比拟的优势。本文采用电气量作为故障信息源,进行故障线路的识别。采用S变换提取信号的故障特征量,连续隐马尔可夫模型进行故障选相,具有较好的理论意义。本文研究了基于S变换综合相对熵和k-means聚类算法的电网故障识别方法。根据故障录波数据,提取疑似故障线路和参考线路故障前后两个周波的特征电流数据。通过计算疑似故障线路和参考线路之间的S变换幅值相对熵、S变换能量相对熵,构造S变换综合相对熵。通过S变换综合相对熵来量化疑似故障线路和参考线路之间的差异。然后,用k-means聚类算法对疑似故障线路和参考线路之间的S变换综合相对熵的数据进行聚类,结果分为2类,正常线路类和故障线路类。聚类完成后,聚类中心值大的一类中,S变换综合相对熵值所对应的疑似故障线路即为为故障线路。并在PSCAD IEEE39节点系统上进行了大量的仿真实验,实验结果表明本方法不受故障工况改变的影响,在较高的丢包率和有噪声的情况下,仍能正确地识别出故障线路。本文研究了基于S变换和连续隐马尔可夫模型的输电线路故障选相方法。首先采用S变换提取输电线路的A、B、C三相电流以及零序电流的故障特征,然后根据提取的故障特征量对输电线路10种故障类型和正常状态分别训练一个连续隐马尔可夫模型。每一个连续隐马尔可夫模型通过改进的Baum算法对模型的相关参数进行训练。训练完成后,使用Viterbi算法和前向-后向算法进行输电线路的故障选相。通过对不同故障工况的测试样本进行仿真实验。仿真结果表明本方法的故障选相正确率较高。即使在加入40dB信噪比噪声的情况下,本方法依然具有很高的故障选相正确率。
周远彬[3]（2012）在《基于DSP和DHMM的嵌入式语音识别系统研究与实现》文中提出近年来，随着语音识别技术的发展，基于嵌入式系统的语音识别系统广泛应用到智能玩具、工业控制、医疗服务等领域，为人们的生活带来便捷的服务。由于嵌入系统在成本、体积、功耗方面的优势，在嵌入式平台上实现高效的语音识别系统已经成为研究的热点。在基于DSP嵌入式平台的非特定人孤立词语音识别系统方面，为了推出简单适用的语音识别系统，还需要做更深入的研究。本文研究了基于DSP和DHMM的嵌入式语音识别系统的系统设计，并最终实现了一个非特定人孤立词语音识别系统。主要工作如下：首先，对于语音识别系统的原理以及涉及到的关键技术进行了研究。从语音信号的预处理分析开始，逐步分析了语音信号端点检测、特征提取以及矢量量化的原理与技术实现；并且概述了语音识别中典型的模板匹配算法的优缺点。其次，本文介绍了隐马尔科夫模型的基本原理与三个基本问题。本文通过分析各类隐马尔可夫模型的特点，选择了离散隐马尔可夫模型作为孤立词语音识别的匹配算法。本文研究了离散隐马尔可夫模型在模型训练中的定标、多观察序列参数重估算法以及观察符号概率分布矩阵的处理等问题。同时，通过定义孤立词的学习功能，解决了个别孤立词识别率不高的问题。再次，本文以DSP处理器TMS320VC5509A为核心硬件部件，构建了嵌入式语音识别系统的硬件平台。通过研究与分析系统硬件平台资源的局限与基于DHMM的语音识别系统的特点，将系统的软件架构设计为嵌入式系统软件与PC机辅助软件两部分；并且选取USB作为两个软件系统数据通信的方式。嵌入式系统软件主要完成语音识别功能，同时辅助完成简单的训练与学习功能。PC机辅助软件主要完成最佳码本训练、语音模板的训练与学习以及数据更新等功能。本文详细介绍了这两部分软件各个模块的设计与实现。最后，本文研究了嵌入式系统软件的优化。通过研究软件算法定点化与系统存储空间的优化，系统的实时响应速度从约10秒降低到平均230毫秒。通过对Viterbi算法的优化，系统实时性能再次提高36.4%，完成识别平均用时157.4毫秒。同时，系统在词汇量为100以内可以达到90%的识别率。
郑海祥[4]（2011）在《系统调用在主机入侵检测中的研究与应用》文中进行了进一步梳理随着信息技术和计算机网络的飞速发展,网络安全也越来越成为人们关注的焦点。如何迅速的发现入侵行为,并且主动地对网络进行安全防护成为网络安全领域的一个难点,这时入侵检测技术应运而生,入侵检测技术是一种主动且动态的对网络进行安全防护的技术,是对传统的防火墙、数据加密等静态防御技术的有力补充。入侵检测的目标是检测那些非授权、越权的系统内部和外部的入侵或攻击行为。基于主机的入侵检测系统通过监控系统进程来实现对重点主机的保护,由于大多数的攻击最终都要通过非法改变系统调用的执行轨迹来达到目的,因此通过监控特权进程的系统调用序列能及时的发现和阻止入侵行为,实现对计算机系统的保护。本文首先介绍了入侵检测技术的研究现状与发展趋势,分析了入侵检测系统的体系结构、检测原理和评估标准。其次陈述了系统调用的概念、系统调用的执行过程,并研究了截获系统调用的常用方法,然后重点研究了目前基于系统调用的入侵检测的常用算法,并对现有的基于系统调用的入侵检测算法进行分析和比较。由于隐马尔可夫模型（HMM）具备算法成熟、效率高、效果好、易于训练等优点,本文构建了一个基于隐马尔可夫模型的主机入侵检测模型,设计并实现了系统数据采集模块、数据预处理模块、隐马尔可夫模型训练模块和检测模块。该模型的数据采集模块通过LKM机制来截获进程执行时产生的系统调用序列,改进的LKM机制可以在内核高效的获取系统调用信息。针对现有算法训练时间过长的不足,本文对数据预处理算法进行改进,用系统调用序列通过滑动窗口产生的加权值的频繁特征序列集作为模型的训练数据,明显减少了模型的训练数据量,同时对隐马尔可夫模型的训练算法做出改进,减少了正常行为模型的建模时间,检测模块采用输出概率阈值进行入侵判断。最后,对所提出的模型进行了实验,通过对实验结果进行分析,验证了改进后的模型和方法能够有效降低模式库的规模,实现了较低的误报率以及较少的模型训练时间。
周慧芳[5]（2011）在《基于HMM的嵌入式语音识别系统的研究》文中研究说明语音识别（Speech Recognition）是让机器通过识别和理解过程把语音信号转变为相应的文本或命令的技术。语音识别技术经过几十年的探索和研究,已经取得了一系列突破性的进展,一些成熟的技术正逐渐应用于实际生活中,近年来,作为一种方便的人机交互手段,语音识别在消费类电子产品和工业控制等领域迅速发展。在嵌入式系统中实现一个能识别较大词汇量、具有较好实时性,并且具有比较高的识别率的语音识别系统,具有很高的理论研究及实用价值。论文首先介绍了语音识别技术的发展背景及国内外研究现状,并对研究的背景项目所要求的各项技术指标进行了介绍和分析。在深入研究语音识别过程中各关键模块（语音预处理,特征参数提取,识别算法）的基础上,对各模块的重点技术进行了研究。在语音预处理模块中,重点研究了预加重、分帧、加窗、短时能量和过零率相结合的端点检测法；在特征提取模块中,通过分析LPCC参数和MFCC参数的实现原理和差异,结合背景项目的要求,阐述选用MFCC参数的原因。在对语音识别的基本原理和三种经典的识别算法研究对比后,论文着重研究了隐马尔可夫（HMM）和基于此模型的语音识别算法,并且在传统的HMM算法基础上,针对HMM模型中状态数对HMM模型参数以及系统识别率的影响,对HMM的模型和识别算法进行了改进,并提出了双模板匹配法。论文在VC6.0平台上构建了一个MFCC参数与改进HMM算法相结合的语音识别系统,系统的识别率在90%以上,满足背景项目的性能要求。最后论文在对现有嵌入式操作系统深入研究的基础上,选用可移植性较好的嵌入式Windows CE操作系统,成功地在以ARM11为核心的开发板上定制和移植了Windows CE 6.0操作系统,通过跨平台的软件开发,成功在搭建好的嵌入式开发平台上实现了大词汇的语音识别系统。实验结果表明,通过对系统的改进,在嵌入式中能够实现一个具有识别率较高,实时性较好的大词汇量语音识别系统。
刘红英[6]（2011）在《基于HMM的网络隐蔽信道检测模型的研究》文中提出TCP/IP切协议是当前网络的基石,它的存在给人们带来了很多便利,但是其自身的缺陷为隐蔽信道的存在提供了可能性。通过隐蔽信道将机密的信息泄露出去无疑会对网络安全造成很大的危害。为了减少隐蔽信道的威胁,研究隐蔽信道检测技术成为了新的课题。本文作者仔细研究了各种基于协议构建的隐蔽信道,分析了其传统的检测方法,在此基础上,提出了一种新的检测方法,基于HMM模型的隐蔽信道检测方法。所建模型分为以下几步：首先获取数据,进行特征提取,然后对正常网络行为建立HMM模型,用模型输出的测试样本序列的概率来判断是否是异常行为。在对应用层的网络隐蔽信道检测提出相应的模型后,引入K-Means算法对捕获的传输层数据进行预处理,使其量化得到隐马尔可夫的观察序列,并将改进后的模型应用于传输层隐蔽信道检测。同时,本文还提出了针对多种隐蔽信道检测的初步模型。通过实验来验证对应用层和传输层的隐蔽信道检测的有效性,数据表明该模型的检测性能尚可,移植性也比较好。
邵强[7]（2010）在《切削加工过程中颤振的监测与识别方法研究》文中提出切削加工是使用切削工具,把坯料或工件上多余的材料层切去,使工件获得规定的几何形状、尺寸和表面质量的加工方法。在切削加工过程中所产生的颤振是影响工件质量的主要原因之一,颤振具有非线性、时变性和不确定性等特点,难以进行精确的测量和识别,多年来吸引了国际上众多学者持续对其进行研究,取得了一些重要的研究成果,但仍然存在一些问题有待于解决。本文综合了隐马尔可夫、支持向量机及核主元分析等理论和方法,对机床启动过程、刀具磨损状态等诱发颤振的因素进行诊断分析,并且对切削加工中的颤振监测和识别方法进行研究。论文完成的主要工作如下：（1）通过对切削加工时机床启动过程的故障特征分析,基于隐马尔可夫理论,建立了混合密度连续隐马尔可夫模型,对机床启动过程的故障进行识别。采用连续混合密度隐马尔可夫模型识别车床启动过程的运行状态,解决了隐马尔可夫模型的溢出问题,根据高斯密度函数特点,提取启动过程的工件松动、不平衡、不对中和正常启动等特征信息,依据信息特征进行故障诊断识别。该模型克服了传统的诊断方法容易丢失特征信息的弊端,方法简单、识别率高,适合应用于旋转机械的启动过程故障诊断。与隐马尔可夫模型进行比较分析,实验结果表明,该模型具有较好的识别效果。（2）通过刀具磨损量对颤振影响程度的分析,基于离散隐马尔可夫理论,建立了刀具磨损诊断模型。采用对切削加工中的动态切削力信号和刀柄振动信号进行快速傅立叶变换并提取特征量,将提取的特征谱矢量作归一化处理,然后利用自组织特征映射对归一化矢量进行预分类离散编码,编码量值作为观测序列引入到离散隐马尔可夫模型中进行机器学习,识别出刀具磨损程度,识别结果作为控制切削进给量大小的依据。该模型克服了传统识别方法的计算量大、算法复杂的缺点,识别速度高,具有良好的实时性,并通过与隐马尔可夫模型和分形理论比较分析,实验结果表明,该模型具有较好的识别效果,为正确识别切削颤振奠定基础。（3）针对切削力信号和工件振动信号的非线性、不确定性和时变性的特点,提取切削过程的大样本数据,建立了基于核主元分析与支持向量机结合的故障诊断模型（KPCA-SVM）。该模型通过KPCA方法提取非线性颤振数据中的线性主元信息,根据主元信息贡献率的大小,确定能够代表颤振特性的线性主元,然后,通过SVM的分类能力,对线性主元进行一对多方式分类,分类结果作为判定是否具有颤振趋势的依据,为控制任务提供数据基础。该方法弥补了传统识别方法难于充分描述颤振发展过程的缺陷,实验结果表明：对于能够描述切削过程的大样本数据,KPCA-SVM是一种新的有效的颤振趋势识别方法。与主元分析与支持向量机模型（PCA-SVM）的识别效果比较,具有一定的优越性。（4）针对切削加工过程中的颤振发生时的小样本数据,建立了基于支持向量机与隐马尔可夫模型（SVM-HMM）结合的诊断模型,辨识颤振发生的程度。该模型首先求取小样本数据在支持向量机下的最优比率,然后把最优比率转化成Sigmoid概率,作为观测序列输入到HMM模型,通过隐马尔可夫模型的良好的类内分类能力,对切削过程中能够表现颤振的振动信号和切削力信号做出有效训练和识别。实验结果表明,对于小样本数据,该方法对切削颤振具有较强的识别能力,识别效果优于支持向量机方法、隐马尔可夫方法,该方法克服了非颤振信息颤振化错误判断的弊端,是一种颤振诊断的新方法。
王璟珣[8]（2009）在《基于非特定人语音识别的全音控盲人手机设计》文中指出近年来,语音识别技术的发展为人们提供了一种先进的人机交互方式――语音交互方式。这种方式因其便捷、自然的特点,受到广泛的关注,并且已经开始应用于一些特定的场合与设备中,受到人们的广泛欢迎。而对于盲人来说,由于其视觉缺陷的阻碍,很多时候并不能享受到科技发展带来的好处;而语音交互的方式则可以有效的解决这一问题,使科技进步能更好的服务于这一残疾人群体。经过几十年的努力,语音识别的研究工作已经有了长足的发展,基于不同理论的语音识别方法目前已有许多种。然而多数的研究工作都是在大型机或PC机上进行的,关注的主要是新理论的发现与验证、如何继续提升识别算法的准确度等问题;而基于嵌入式系统的语音识别技术,作为语音识别实用化的重要步骤,目前还没能实现大规模的应用。现有的嵌入式终端设备上的语音识别,也主要是简单的、针对特定人使用的孤立词识别。因此,如何将复杂的语音识别算法在嵌入式系统上实现实用化,使语音交互技术变得成熟起来,是一项有挑战性的工作。因此,本文以如何让语音交互方式为盲人服务作为出发点,对语音识别的原理与思想进行了深入研究,详细探讨了基于隐马尔可夫模型的非特定人孤立词语音训练与识别算法,深入分析了基于Baum-Welch算法的模型训练方法和基于Viterbi解码的识别算法。根据实际应用的需要,研究了实际模型训练中多观察值序列情况下的初始参数设置、训练方法以及需要解决的数据溢出等问题;并以此为依据,提出并设计了一种基于连续隐马尔可夫模型的全音控盲人手机系统。系统采用Baum-Welch模型训练算法,由PC机训练出25条音控指令和0～9等10个数字的语音模型,然后将这些模型传递给DSP平台,从而实现嵌入式的非特定人孤立词语音识别。25条音控指令分别对应不同的控制操作,在识别完成后,系统根据识别结果作出相应处理;当需要进行无线通信时,系统会依据识别结果发送特定的AT命令组合,从而实现相应操作。依据手机菜单操作特点,本文提出了语音指令分级识别方法,充分提高了指令识别准确率;并针对实际应用进行了拒识别设计。针对盲人生理特点,系统设计了语音提示与短信播报等辅助语音功能,将3817个汉字、字母、数字的语音数据存入NandFlash,当需要语音播报时将播报内容的语音数据由DAC输出。最后在不同环境和条件下对系统进行了测试,并提出了改进的方向。
张愿茹[9]（2009）在《基于HMM和ANN的数字语音识别研究》文中指出语音识别是一门内涵丰富、应用广泛的技术。由于语音信号的多样性和复杂性,目前的语音识别效率也不是很高。因而发展高效率识别语音模型成为语音识别研究中的一个重要课题。本文首先对语音信号的预处理及反映语音信号特征的三种特征参数（LPC、LPCC、MFCC）进行系统的分析。接着对用于语音识别的两种技术（HMM、ANN）进行研究。重点对基于段长分布隐马尔可夫模型（DDBHMM）及其训练和识别算法进行研究,进行了基于HMM的非特定人汉语数码孤立词语音识别实验,实验证明DDBHMM考虑段长分布提高了语音识别率。最后,本文针对经典HMM的缺陷提出将DDBHMM与自组织特征映射神经网络相结合而构成新的语音识别模型,给出了基于HMM和ANN混合模型的汉语数字语音识别及仿真实验,证明在低信噪比条件下混合模型比传统的单一HMM模型能明显提高识别率,且鲁棒性显着提高,并证明本文提出的DDBHMM/SOFMNN模型在低信噪比条件下的识别率优于CDHMM/SOFMNN混合模型,验证了本文提出的新的语音识别模型的优越性、可行性。
宋扬[10]（2009）在《基于HMM的联机手写汉字识别》文中提出如何利用计算机处理和识别文字信息是模式识别领域中一个非常活跃的研究课题。随着移动数码设备的迅速普及,传统的汉字键盘输入方式已经不能满足人们的需求。联机手写汉字识别技术以其简易快捷的输入方式脱颖而出,成为汉字识别领域新的发展方向和重要的研究课题。论文详细探讨和研究了基于HMM的联机手写汉字识别中的预处理、粗分类、特征提取,实现了基于HMM的嵌入式手写体汉字识别系统,具体工作如下:1.论文概述了联机汉字识别技术的研究现状,详细分析了联机手写体汉字的特点和结构特征,深入分析了HMM的原理和特点。在此基础上,设计了基于HMM的联机手写汉字识别方法,有效利用了手写汉字的统计和结构特征。2.针对手写体汉字的连笔书写问题,提出了一种去除连笔的笔段提取方法。该方法引入了带有模糊区域的笔段空间分区策略,定义了三种笔段类型,依据连笔去除准则删除了无效笔段和部分连笔,然后将新的笔段序列作为HMM的观察值序列,有效提高了连笔手写体汉字的识别率。3.汉字识别是一个典型的超多类模式识别问题,为了有效地提高系统性能,论文采用长笔段、笔划数、结构类型三级粗分类逐渐缩小处理字集,降低了识别复杂度,提高了识别速率。4.将识别程序移植到三星SGH-i718智能手机,完成在Windows Mobile 5.0操作系统下的联机手写汉字识别系统的开发,实现了智能手机的嵌入式手写汉字识别。
二、用多观察序列训练隐马耳可夫模型的一种通用算法（论文开题报告）
（1）论文研究背景及目的
此处内容要求：
首先简单简介论文所研究问题的基本概念和背景，再而简单明了地指出论文所要研究解决的具体问题，并提出你的论文准备的观点或解决方法。
写法范例：
本文主要提出一款精简64位RISC处理器存储管理单元结构并详细分析其设计过程。在该MMU结构中,TLB采用叁个分离的TLB,TLB采用基于内容查找的相联存储器并行查找,支持粗粒度为64KB和细粒度为4KB两种页面大小,采用多级分层页表结构映射地址空间,并详细论述了四级页表转换过程,TLB结构组织等。该MMU结构将作为该处理器存储系统实现的一个重要组成部分。
（2）本文研究方法
调查法：该方法是有目的、有系统的搜集有关研究对象的具体信息。
观察法：用自己的感官和辅助工具直接观察研究对象从而得到有关信息。
实验法：通过主支变革、控制研究对象来发现与确认事物间的因果关系。
文献研究法：通过调查文献来获得资料，从而全面的、正确的了解掌握研究方法。
实证研究法：依据现有的科学理论和实践的需要提出设计。
定性分析法：对研究对象进行“质”的方面的研究，这个方法需要计算的数据较少。
定量分析法：通过具体的数字，使人们对研究对象的认识进一步精确化。
跨学科研究法：运用多学科的理论、方法和成果从整体上对某一课题进行研究。
功能分析法：这是社会科学用来分析社会现象的一种方法，从某一功能出发研究多个方面的影响。
模拟法：通过创设一个与原型相似的模型来间接研究原型某种特性的一种形容方法。
三、用多观察序列训练隐马耳可夫模型的一种通用算法（论文提纲范文）
（1）基于计算机视觉的原笔迹提取与汉字识别研究（论文提纲范文）
| 摘要 |
| Abstract |
| 第一章 绪论 |
| 1.1 研究背景及意义 |
| 1.2 研究现状及趋势 |
| 1.3 本文的研究内容和章节安排 |
| 第二章 系统总体设计 |
| 2.1 系统硬件构架 |
| 2.2 系统工作流程 |
| 2.3 软件开发平台 |
| 2.3.1 开发环境概述 |
| 2.3.2 OpenCV |
| 2.4 系统功能设计 |
| 第三章 原笔迹提取与显示 |
| 3.1 原笔迹提取算法流程 |
| 3.2 基于肤色检测的笔迹初始定位 |
| 3.3 原笔迹提取算法 |
| 3.3.1 单帧图像疑似笔划区域分割 |
| 3.3.2 单帧图像疑似笔划像素点检测 |
| 3.3.3 基于帧差法和连通域分析的多帧去噪算法 |
| 3.4 原笔迹显示与存储 |
| 3.5 笔划特征提取 |
| 第四章 基于隐马尔可夫模型的手写汉字识别 |
| 4.1 手写汉字识别简介 |
| 4.2 隐马尔可夫模型的原理 |
| 4.2.1 HMM模型的基本思想 |
| 4.2.2 HMM模型的估值 |
| 4.2.3 HMM模型的学习训练 |
| 4.2.4 HMM模型的解码 |
| 4.3 基于隐马尔可夫模型的汉字识别算法流程 |
| 4.4 基于拐点检测的笔段提取算法 |
| 4.5 基于PCA和SVM的笔段识别算法 |
| 4.6 隐马尔可夫模型的训练和识别 |
| 第五章 实验分析 |
| 5.1 系统功能测试 |
| 5.2 原笔迹显示实验 |
| 5.3 手写汉字识别实验 |
| 第六章 总结与展望 |
| 6.1 工作总结 |
| 6.2 工作展望 |
| 参考文献 |
| 攻读硕士学位期间论文发表情况 |
| 致谢 |
（2）基于S变换综合相对熵和连续隐马尔可夫模型的电网故障诊断方法（论文提纲范文）
| 摘要 |
| abstract |
| 第1章 绪论 |
| 1.1 课题的研究背景与意义 |
| 1.2 电网故障诊断的国内外研究现状 |
| 1.2.1 电网故障识别的国内外研究现状 |
| 1.2.2 输电线路故障选相方法的国内外研究现状 |
| 1.3 本文的主要工作 |
| 1.4 论文组织 |
| 第2章 相关原理和算法的简介 |
| 2.1 S变换基本理论 |
| 2.1.1 S变换介绍 |
| 2.1.2 S变换的定义 |
| 2.1.3 S变换的离散形式 |
| 2.2 相对熵基本理论 |
| 2.3 k-means算法的基本理论 |
| 2.4 隐马尔可夫模型 |
| 2.4.1 马尔可夫链的概念 |
| 2.4.2 隐马尔可夫模型的概念 |
| 2.5 HMM的基本算法 |
| 2.5.1 HMM的三个基本问题 |
| 2.5.2 前向-后向算法 |
| 2.5.3 Viterbi算法 |
| 2.5.4 Baum-Welch算法 |
| 2.6 HMM算法的改进 |
| 2.6.1 数据下溢问题 |
| 2.6.2 多观测序列问题 |
| 2.7 本章小结 |
| 第3章 基于S变换综合相对熵的电网故障识别方法研究 |
| 3.1 引言 |
| 3.2 基于S变换综合相对熵的电网故障识别方法 |
| 3.2.1 特征电流的构造 |
| 3.2.2 特征电流S变换综合相对熵的构造 |
| 3.2.3 基于k-means聚类的故障线路的识别 |
| 3.2.4 基于S变换综合相对熵的电网故障识别方法 |
| 3.3 算例分析 |
| 3.4 本章小结 |
| 第4章 基于CHMM的输电线路故障选相方法研究 |
| 4.1 引言 |
| 4.2 基于CHMM的输电线路故障选相方法 |
| 4.2.1 CHMM的参数表示 |
| 4.2.2 CHMM训练算法的改进 |
| 4.2.3 CHMM的训练过程 |
| 4.2.4 输电线路故障选相方法 |
| 4.3 基于CHMM的输电线路故障选相方法流程 |
| 4.4 仿真实验 |
| 4.4.1 仿真参数的设置 |
| 4.4.2 训练样本序列的选取 |
| 4.4.3 CHMM的训练及结果 |
| 4.4.4 输电线路故障选相结果 |
| 4.5 本章小结 |
| 结论 |
| 致谢 |
| 参考文献 |
| 附录A CHMM训练结果 |
| 附录B CHMM训练相关程序 |
| 攻读硕士学位期间发表的论文及科研成果 |
（3）基于DSP和DHMM的嵌入式语音识别系统研究与实现（论文提纲范文）
| 摘要 |
| ABSTRACT |
| 第一章 引言 |
| 1.1 课题研究背景 |
| 1.2 语音识别的发展概况 |
| 1.2.1 国外研究现状 |
| 1.2.2 国内研究现状 |
| 1.2.3 语音识别面临的问题 |
| 1.3 论文研究内容 |
| 1.4 论文组织结构 |
| 第二章 语音识别基本原理与关键技术 |
| 2.1 语音识别系统概况 |
| 2.2 语音识别系统分类 |
| 2.3 语音信号预处理 |
| 2.3.1 预加重处理 |
| 2.3.2 分帧加窗处理 |
| 2.2.3 端点检测 |
| 2.4 特征参数提取 |
| 2.4.1 线性预测系数 |
| 2.4.2 线性预测器倒谱系数 |
| 2.4.3 Mel 频率倒谱系数 |
| 2.4.4 LPCC 与 MFCC 的比较 |
| 2.5 矢量量化技术 |
| 2.6 模板匹配算法 |
| 2.6.1 动态时间规整 |
| 2.6.2 隐马尔可夫模型 |
| 2.6.3 人工神经网络 |
| 2.7 本章小结 |
| 第三章 基于离散隐马尔可夫模型语音识别的研究 |
| 3.1 隐马尔可夫模型 |
| 3.2 三个基本问题 |
| 3.2.1 求解第一个问题 |
| 3.2.2 求解第二个问题 |
| 3.2.3 求解第三个问题 |
| 3.3 隐马尔可夫模型的分类 |
| 3.4 基于 DHMM 的孤立词语音识别系统的关键技术研究 |
| 3.4.1 基于 DHMM 的孤立词语音识别系统构成研究 |
| 3.4.2 模板的训练研究 |
| 3.4.2.1 定标处理 |
| 3.4.2.2 多观察符号序列的参数重估算法 |
| 3.4.2.3 观察符号概率分布矩阵的处理 |
| 3.4.3 孤立词语音识别学习功能的研究 |
| 3.5 本章小结 |
| 第四章 嵌入式语音识别系统硬件设计 |
| 4.1 主要硬件介绍 |
| 4.1.1 TMS320VC5509A 芯片 |
| 4.1.2 TLV320AIC23B 芯片 |
| 4.2 系统整体方案设计 |
| 4.3 系统硬件设计 |
| 4.4 本章小结 |
| 第五章 嵌入式语音识别系统软件设计与实现 |
| 5.1 系统软件的总体设计 |
| 5.2 嵌入式系统软件设计与实现 |
| 5.2.1 语音采集模块 |
| 5.2.1.1 语音采集模块设计 |
| 5.2.1.2 语音采集实现 |
| 5.2.2 特征参数提取模块与矢量量化模块 |
| 5.2.3 语音识别模块与据识模块 |
| 5.2.3.1 语音据识模块 |
| 5.2.3.2 识别模块 |
| 5.2.4 简单训练模块 |
| 5.2.4.1 DHMM 模型初始参数的选取 |
| 5.2.4.2 训练的实现 |
| 5.2.5 简单学习模块 |
| 5.2.6 USB 模块 |
| 5.2.6.1 USB 模块原理 |
| 5.2.6.2 USB 模块的实现 |
| 5.3 PC 机辅助软件设计与实现 |
| 5.3.1 语音样本采集模块 |
| 5.3.2 最佳码本训练模块 |
| 5.3.3 训练与学习模块 |
| 5.3.4 数据更新模块 |
| 5.4 本章小结 |
| 第六章 嵌入式系统软件的优化 |
| 6.1 定点优化 |
| 6.1.1 Q 格式 |
| 6.1.2 嵌入式系统软件定点化 |
| 6.2 存储空间与系统引导的优化 |
| 6.2.1 内存分配优化 |
| 6.2.2 系统引导优化 |
| 6.3 Viterbi 算法的改进 |
| 6.4 本章小结 |
| 第七章 系统测试与结果分析 |
| 7.1 PC 机辅助软件测试 |
| 7.2 系统识别率测试 |
| 7.2.1 系统不同词汇量识别率测试与分析 |
| 7.2.2 系统对非特定人的识别率测试与分析 |
| 7.3 系统的实时性测试 |
| 7.3.1 测试系统在采用定点与浮点算法情况下的响应时间 |
| 7.3.2 测试系统采用优化以及未优化 Viterbi 算法的响应时间 |
| 7.4 国内外同类产品对比 |
| 7.5 本章小结 |
| 第八章 总结与展望 |
| 8.1 本文总结 |
| 8.2 展望 |
| 致谢 |
| 参考文献 |
| 攻读硕士期间的科研成果 |
（4）系统调用在主机入侵检测中的研究与应用（论文提纲范文）
| 摘要 |
| ABSTRACT |
| 第一章 绪论 |
| 1.1 引言 |
| 1.2 课题研究的背景和意义 |
| 1.3 本文主要工作与章节安排 |
| 第二章 入侵检测理论 |
| 2.1 入侵检测简介 |
| 2.1.1 入侵检测的定义 |
| 2.1.2 入侵检测的研究现状及发展趋势 |
| 2.2 入侵检测系统分类 |
| 2.2.1 基于数据源的分类 |
| 2.2.2 基于检测方法的分类 |
| 2.3 通用入侵检测系统模型及评估标准 |
| 2.3.1 Denning模型 |
| 2.3.2 CIDF模型 |
| 2.3.3 评估标准 |
| 2.4 本章小结 |
| 第三章 基于系统调用的主机入侵检测 |
| 3.1 系统调用的相关理论 |
| 3.1.1 Unix内核与系统调用 |
| 3.1.2 系统调用的执行过程 |
| 3.2 系统调用数据源的采集方法 |
| 3.2.1 通过ptrace()函数编程 |
| 3.2.2 LKM机制 |
| 3.3 基于系统调用的入侵检测算法研究 |
| 3.3.1 序列枚举法 |
| 3.3.2 数据挖掘法 |
| 3.3.3 有限状态自动机模型 |
| 3.3.4 马尔可夫模型 |
| 3.3.5 算法性能比较及改进方向 |
| 3.4 基于系统调用序列的入侵检测模型 |
| 3.5 本章小结 |
| 第四章 基于隐马尔可夫模型的入侵检测模型 |
| 4.1 马尔可夫模型概述 |
| 4.1.1 Markov链 |
| 4.1.2 隐马尔可夫模型 |
| 4.1.3 隐马尔可夫模型的基本问题 |
| 4.2 基于HMM的入侵检测模型 |
| 4.2.1 对系统调用序列构建隐马尔可夫模型 |
| 4.2.2 HMM的入侵检测 |
| 4.3 系统调用采集模块 |
| 4.3.1 系统调用的截获 |
| 4.3.2 系统调用的保存 |
| 4.4 数据预处理模块 |
| 4.5 检测模块 |
| 4.5.1 训练阶段 |
| 4.5.2 检测阶段 |
| 4.6 改进的HMM检测算法 |
| 4.6.1 算法改进方向 |
| 4.6.2 改进算法的实现 |
| 4.7 本章小结 |
| 第五章 入侵检测试验结果与分析 |
| 5.1 入侵检测数据源 |
| 5.2 HMM的参数选取 |
| 5.3 实验结果及分析 |
| 5.4 本章小结 |
| 总结与展望 |
| 参考文献 |
| 攻读学位期间发表论文 |
| 致谢 |
（5）基于HMM的嵌入式语音识别系统的研究（论文提纲范文）
| 摘要 |
| Abstract |
| 目录 |
| CONTENT |
| 第一章 绪论 |
| 1.1 语音识别概述 |
| 1.2 国内外语音识别技术的发展历史及其现状 |
| 1.3 语音识别系统组成及分类 |
| 1.3.1 语音识别系统组成 |
| 1.3.2 语音识别系统分类 |
| 1.4 嵌入式语音识别系统 |
| 1.5 论文背景项目内容及前期工作 |
| 1.6 论文主要研究内容及架构 |
| 第二章 语音识别信号分析 |
| 2.1 语音信号的声学原理 |
| 2.2 语音信号的预处理 |
| 2.2.1 语音信号的预加重 |
| 2.2.2 语音信号的分帧处理 |
| 2.2.3 语音信号的加窗处理 |
| 2.2.4 语音信号的端点检测 |
| 2.3 语音信号的特征参数提取 |
| 2.3.1 线性预测系数(LPC) |
| 2.3.2 线性预测倒谱系数(LPCC) |
| 2.3.3 美尔倒谱系数(MFCC) |
| 2.4 语音识别单元的选取 |
| 2.5 LPCC与MFCC的比较 |
| 2.6 本章小结 |
| 第三章 语音识别算法 |
| 3.1 动态时间规整(DTW) |
| 3.1.1 动态时间规整基本思想 |
| 3.1.2 动态时间规整基本原理 |
| 3.2 人工神经网络(ANN) |
| 3.2.1 人工神经网络基本概念 |
| 3.2.2 人工神经网络在语音识别中的应用 |
| 3.3 隐马尔可夫模型(HMM) |
| 3.3.1 隐马尔可夫模型基本原理 |
| 3.3.2 隐马尔可夫模型的结构和类型 |
| 3.3.3 隐马尔可夫模型基本问题及其解决方案 |
| 3.4 改进的HMM模型与识别算法 |
| 3.4.1 改进的HMM模型训练----多观察序列建模 |
| 3.4.2 改进的HMM识别算法-----双模板匹配法 |
| 3.5 本章小结 |
| 第四章 基于HMM的语音识别系统的设计与实现 |
| 4.1 系统架构 |
| 4.2 语音识别系统 |
| 4.2.1 语音采集 |
| 4.2.2 语音信号预处理 |
| 4.2.3 特征参数提取 |
| 4.2.4 训练模块 |
| 4.2.5 语音识别模块 |
| 4.3 本章小结 |
| 第五章 嵌入式语音识别系统的设计与实现 |
| 5.1 嵌入式系统平台 |
| 5.1.1 嵌入式语音识别的系统要求 |
| 5.1.2 嵌入式硬件系统设计 |
| 5.1.3 嵌入式操作系统 |
| 5.2 Windows CE操作系统 |
| 5.2.1 Windows CE体系结构 |
| 5.2.2 Windows CE 6.0系统定制与移植 |
| 5.3 嵌入式数据库 |
| 5.3.1 嵌入式数据库概述 |
| 5.3.2 嵌入式系统中数据库的设计与实现 |
| 5.4 嵌入式语音识别系统 |
| 5.5 系统评测 |
| 5.6 本章小结 |
| 总结与展望 |
| 工作总结 |
| 工作展望 |
| 参考文献 |
| 攻读硕士学位期间发表论文 |
| 致谢 |
（6）基于HMM的网络隐蔽信道检测模型的研究（论文提纲范文）
| 摘要 |
| Abstract |
| 目录 |
| 1 绪论 |
| 1.1 研究的意义 |
| 1.2 目前研究现状 |
| 1.3 本人工作 |
| 1.4 论文结构 |
| 2 隐蔽信道及HMM简介 |
| 2.1 基于应用层的隐蔽信道 |
| 2.1.1 基于HTTP协议的网络隐蔽信道 |
| 2.1.2 基于FTP协议的网络隐蔽信道 |
| 2.2 基于传输层的隐蔽信道 |
| 2.2.1 基于TCP协议的网络隐蔽信道 |
| 2.2.2 基于UDP协议的网络隐蔽信道 |
| 2.3 基于网络层的隐蔽信道 |
| 2.4 隐马尔可夫模型简介 |
| 2.4.1 马尔可夫模型 |
| 2.4.2 HMM简介 |
| 2.4.3 HMM需解决的三个问题 |
| 2.4.4 解决三个问题的方法 |
| 2.5 隐蔽信道检测技术的评价 |
| 2.6 小结 |
| 3 应用层隐蔽信道检测 |
| 3.1 隐蔽信道检测结构 |
| 3.2 数据捕获模块 |
| 3.3 预处理模块 |
| 3.4 HMM学习模块 |
| 3.4.1 参数确定 |
| 3.4.2 训练问题 |
| 3.4.3 需要注意的一些问题 |
| 3.5 HMM检测模块 |
| 3.6 小结 |
| 4 传输层隐蔽信道检测 |
| 4.1 HMM检测模型改进 |
| 4.2 K-Means算法简介 |
| 4.2.1 K-Means算法概述 |
| 4.2.2 K-Means算法分析 |
| 4.2.3 K-Means用于数据处理 |
| 4.3 多观察序列的HMM检测模型 |
| 4.4 小结 |
| 5 HMM检测模型的实现与分析 |
| 5.1 数据捕获模块 |
| 5.2 预处理模块 |
| 5.3 实验结果 |
| 5.4 实验分析 |
| 5.5 其他问题 |
| 5.6 小结 |
| 6 总结与展望 |
| 6.1 总结 |
| 6.2 展望 |
| 致谢 |
| 参考文献 |
（7）切削加工过程中颤振的监测与识别方法研究（论文提纲范文）
| 摘要 |
| Abstract |
| 1 绪论 |
| 1.1 引言 |
| 1.2 机械故障诊断研究现状 |
| 1.2.1 机械故障机理研究 |
| 1.2.2 机械故障诊断装置及控制方法 |
| 1.2.3 特征向量提取与模式识别 |
| 1.3 切削颤振研究现状 |
| 1.3.1 切削颤振机理研究 |
| 1.3.2 颤振控制方法 |
| 1.3.3 颤振控制装置 |
| 1.3.4 颤振特征向量提取及模式识别技术 |
| 1.4 颤振监测与识别方法的可行性 |
| 1.4.1 SVM-HMM在切削颤振识别中应用的可行性 |
| 1.4.2 KPCA-SVM在切削颤振识别中应用的可行性 |
| 1.5 本课题的研究意义与内容 |
| 1.5.1 本课题的研究意义 |
| 1.5.2 本课题研究的内容 |
| 1.6 本章小结 |
| 2 基于CDHMM的切削机床启动过程故障诊断 |
| 2.1 引言 |
| 2.2 HMM基本理论 |
| 2.2.1 HMM定义 |
| 2.2.2 几个主要算法 |
| 2.2.3 HMM常见模型 |
| 2.3 合密度连续HMM模型(CDHMM) |
| 2.3.1 CDHMM基本思想 |
| 2.3.2 CDHMM算法 |
| 2.3.3 CDHMM溢出问题 |
| 2.3.4 多观测序列CDHMM重估公式 |
| 2.3.5CDHMM方法在语音识别领域的应用 |
| 2.4 诊断实验 |
| 2.4.1 机床启动过程常见故障及其表现 |
| 2.4.2 CDHMM模型库建立 |
| 2.4.3 CDHMM故障诊断方法 |
| 2.4.4 实验与数据采集 |
| 2.4.5 振动信号时频特性分析 |
| 2.4.6 训练过程和诊断结果 |
| 2.4.7 CDHMM与HMM识别方法比较 |
| 2.5 本章小结 |
| 3 基于DHMM切削过程刀具磨损故障诊断 |
| 3.1 引言 |
| 3.2 刀具磨损 |
| 3.2.1 刀具磨损过程 |
| 3.2.2 刀具磨钝标准 |
| 3.2.3 刀具磨损测量基准和测量方法 |
| 3.3 DHMM模型 |
| 3.3.1 标定前DHMM的重估公式 |
| 3.3.2 标定后的DHMM重估公式 |
| 3.3.3 改进的DHMM重估公式 |
| 3.4 刀具磨损实验 |
| 3.4.1 刀具磨损实验条件 |
| 3.4.2 训练样本选取 |
| 3.4.3 训练过程 |
| 3.4.4 训练结果 |
| 3.4.5 DHMM迭代的最大似然估计 |
| 3.4.6 三种刀具磨损识别方法的比较 |
| 3.5 本章小结 |
| 4 基于KPCA-SVM切削颤振趋势大样本数据识别方法研究 |
| 4.1 引言 |
| 4.2 SVM简介 |
| 4.3 提取颤振信号的核主元分量 |
| 4.3.1 核主元分析 |
| 4.3.2 KPCA与PCA的贡献率比较 |
| 4.4 建立KPCA-SVM颤振诊断模型 |
| 4.4.1 LS-SVM原理 |
| 4.4.2 KPCA-SVM模型建立 |
| 4.4.3 KPCA-SVM模型的转子模拟训练 |
| 4.4.4 KPCA-SVM转子模拟训练结果 |
| 4.4.5 KPCA-SVM与PCA-SVM识别方法的比较 |
| 4.5 颤振故障诊断实验 |
| 4.5.1 颤振数据提取 |
| 4.5.2 确定核主元分量 |
| 4.5.3 颤振故障诊断结果 |
| 4.5.4 颤振故障诊断结果的应用 |
| 4.6 本章小结 |
| 5 基于SVM-HMM切削颤振小样本数据识别方法研究 |
| 5.1 引言 |
| 5.2 SVM-HMM模型 |
| 5.2.1 SVM-HMM模型的基本原理 |
| 5.2.2 SVM-HMM模型识别过程 |
| 5.2.3 SVM-HMM模型的应用实例 |
| 5.3 切削颤振的SVM-HMM模式识别 |
| 5.3.1 特征数据提取 |
| 5.3.2 特征数据频谱分析 |
| 5.3.3 SVM-HMM模式识别 |
| 5.3.4 结果与结论 |
| 5.3.5 SVM-HMM与SVM、HMM识别方法比较 |
| 5.4 刀具滑台数控系统设计 |
| 5.4.1 数控滑台的控制结构 |
| 5.4.2 数控滑台的控制方法 |
| 5.4.3 执行机构的驱动器及接口 |
| 5.5 本章小结 |
| 6 结论与展望 |
| 参考文献 |
| 攻读博士学位期间发表学术论文情况 |
| 致谢 |
（8）基于非特定人语音识别的全音控盲人手机设计（论文提纲范文）
| 摘要 |
| Abstract |
| 第1章 绪论 |
| 1.1 语音识别的研究背景与现状 |
| 1.2 语音识别在嵌入式中的应用 |
| 1.3 本文的研究内容与创新 |
| 1.4 本文的结构安排 |
| 第2章 语音识别原理 |
| 2.1 语音信号的特性分析 |
| 2.2 语音识别系统的分类 |
| 2.3 语音识别基本原理 |
| 2.3.1 语音信号预处理 |
| 2.3.2 特征参数提取 |
| 2.3.3 匹配识别 |
| 2.4 嵌入式语音识别系统的基本构成 |
| 第3章 基于隐马尔可夫模型的非特定人语音识别 |
| 3.1 HMM 基本原理 |
| 3.1.1 HMM 的定义 |
| 3.1.2 HMM 的三个基本问题 |
| 3.1.3 HMM 的分类 |
| 3.2 CHMM 的训练 |
| 3.2.1 参数初值的选取 |
| 3.2.2 多观察值序列的Baum-Welch 训练 |
| 3.2.3 训练算法实现的若干问题 |
| 3.3 基于HMM 的嵌入式非特定人孤立词语音识别 |
| 第4章 基于CHMM 的全音控盲人手机设计 |
| 4.1 系统构成与工作原理 |
| 4.1.1 硬件平台设计 |
| 4.1.2 软件系统设计 |
| 4.1.3 功能与指标 |
| 4.2 PC 机语音模型训练 |
| 4.2.1 基于MATLAB7.0 的 CHMM 训练 |
| 4.2.2 关键数据的传递 |
| 4.3 语音识别在Blackfin533 上的实现 |
| 4.3.1 语音信号的采集与预处理 |
| 4.3.2 特征参数分析 |
| 4.3.3 基于Viterbi 算法的语音识别 |
| 4.4 AT 命令与无线通信 |
| 第5章 盲人手机音控系统应用设计与实验测试 |
| 5.1 多级指令语音识别 |
| 5.1.1 指令分级依据 |
| 5.1.2 指令分级识别的实现 |
| 5.2 拒识别设计 |
| 5.2.1 拒识别算法 |
| 5.2.2 拒识别的实现 |
| 5.3 辅助语音操作方法 |
| 5.3.1 数字录音 |
| 5.3.2 语音播报 |
| 5.4 盲人手机音控系统实验测试与分析 |
| 结论 |
| 参考文献 |
| 致谢 |
| 附录A 攻读硕士学位期间的学术成果 |
| 附录B 多元混合高斯概率密度计算程序 |
| 附录C Viterbi 识别程序 |
| 附录D Baum-Welch 模型训练程序 |
| 附录E 设计实物图 |
（9）基于HMM和ANN的数字语音识别研究（论文提纲范文）
| 摘要 |
| ABSTRACT |
| 目录 |
| 第一章 绪论 |
| 1.1 语音识别的历史及现状 |
| 1.2 语音识别的分类及过程 |
| 1.3 语音识别的主要方法 |
| 1.4 本文研究内容 |
| 第二章 语音信号预处理及特征提取 |
| 2.1 语音信号数字化 |
| 2.2 语音信号预处理 |
| 2.3 语音信号特征提取 |
| 第三章 基于HMM的语音识别 |
| 3.1 引言 |
| 3.2 语音识别中的HMM |
| 3.3 HMM的结构 |
| 3.4 HMM的三个基本问题 |
| 3.5 基于段长分布的H删 |
| 3.6 仿真实验 |
| 第四章 基于人工神经网络的语音识别 |
| 4.1 引言 |
| 4.2 人工神经元模型 |
| 4.3 BP神经网络 |
| 4.4 自组织特征映射(SOFM)神经网络模型 |
| 4.5 仿真实验 |
| 第五章 基于HMM/ANN结合的语音识别 |
| 5.1 引言 |
| 5.2 CDHMM/SFOMNN的混合模型用于语音识别 |
| 5.3 DDBHMM和SOFMNN混合用于语音识别 |
| 5.4 仿真实验 |
| 第六章 结论及展望 |
| 致谢 |
| 参考文献 |
（10）基于HMM的联机手写汉字识别（论文提纲范文）
| 摘要 |
| Abstract |
| 第一章 绪论 |
| 1.1 汉字识别研究的意义 |
| 1.2 汉字识别概述 |
| 1.2.1 联机手写汉字识别技术的发展及现状 |
| 1.2.2 汉字识别的研究范围 |
| 1.2.3 联机手写汉字识别方法 |
| 1.3 汉字识别应用领域 |
| 1.4 论文主要研究内容及安排 |
| 第二章 汉字的特点及特征分析 |
| 2.1 汉字字形的结构特征 |
| 2.1.1 位点 |
| 2.1.2 笔段 |
| 2.1.3 笔划 |
| 2.1.4 字根 |
| 2.1.5 单字 |
| 2.2 汉字字形的统计特征 |
| 2.2.1 黑象素(“1”位点)分布特性 |
| 2.2.2 周边特性 |
| 2.2.3 笔划统计特征 |
| 2.3 联机手写体汉字的特征 |
| 2.4 汉字的特点 |
| 2.5 小结 |
| 第三章 隐马尔可夫模型的原理 |
| 3.1 HMM 的基本思想 |
| 3.1.1 Markov 链 |
| 3.1.2 HMM 的基本概念 |
| 3.1.3 HMM 的三个基本问题 |
| 3.2 HMM 模型的估值 |
| 3.3 HMM 模型的解码问题 |
| 3.4 HMM 模型的学习训练 |
| 3.5 小结 |
| 第四章 HMM在联机手写汉字识别中的应用 |
| 4.1 模型的选取 |
| 4.2 HMM 观察序列的生成 |
| 4.2.1 笔段提取 |
| 4.2.2 删除无效笔段和部分连笔 |
| 4.2.3 笔段编码 |
| 4.3 HMM 模型的训练和识别 |
| 4.4 HMM 算法在汉字识别实现中的问题 |
| 4.4.1 比例因子问题 |
| 4.4.2 初始模型选取 |
| 4.5 小结 |
| 第五章 嵌入式系统实现 |
| 5.1 系统构成 |
| 5.2 手机手写输入及字库的建立 |
| 5.3 手写汉字的预处理 |
| 5.4 粗分类 |
| 5.4.1 粗分类的必要性 |
| 5.4.2 粗分类的要求 |
| 5.4.3 粗分类的方法 |
| 5.5 HMM 分类识别 |
| 5.6 实验结果 |
| 5.6.1 手写样本库 |
| 5.6.2 系统界面 |
| 5.6.3 识别结果 |
| 5.7 小结 |
| 第六章 总结与展望 |
| 6.1 工作总结 |
| 6.2 工作展望 |
| 致谢 |
| 参考文献 |
四、用多观察序列训练隐马耳可夫模型的一种通用算法（论文参考文献）
- [1]基于计算机视觉的原笔迹提取与汉字识别研究[D]. 余佳航. 华中师范大学, 2018(12)
- [2]基于S变换综合相对熵和连续隐马尔可夫模型的电网故障诊断方法[D]. 周郑. 西南交通大学, 2018(10)
- [3]基于DSP和DHMM的嵌入式语音识别系统研究与实现[D]. 周远彬. 电子科技大学, 2012(01)
- [4]系统调用在主机入侵检测中的研究与应用[D]. 郑海祥. 广东工业大学, 2011(11)
- [5]基于HMM的嵌入式语音识别系统的研究[D]. 周慧芳. 广东工业大学, 2011(10)
- [6]基于HMM的网络隐蔽信道检测模型的研究[D]. 刘红英. 南京理工大学, 2011(12)
- [7]切削加工过程中颤振的监测与识别方法研究[D]. 邵强. 大连理工大学, 2010(05)
- [8]基于非特定人语音识别的全音控盲人手机设计[D]. 王璟珣. 湖南大学, 2009(04)
- [9]基于HMM和ANN的数字语音识别研究[D]. 张愿茹. 长春理工大学, 2009(02)
- [10]基于HMM的联机手写汉字识别[D]. 宋扬. 西安电子科技大学, 2009(08)