目錄 第1章語(yǔ)音學(xué)與智能計(jì)算 1.1 語(yǔ)音學(xué)簡(jiǎn)介 1.2 現(xiàn)代語(yǔ)音學(xué) 1.3 現(xiàn)代語(yǔ)音學(xué)與信息技術(shù)的結(jié)合 1.3.1 語(yǔ)音學(xué)在智能領(lǐng)域的應(yīng)用 1.3.2智能算法在語(yǔ)音學(xué)研究領(lǐng)域的應(yīng)用. 第2章語(yǔ)音信號(hào)的分析 2.1語(yǔ)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(yǔ)音生成系統(tǒng)和感知系統(tǒng) 2.2.1語(yǔ) 音的來(lái)源 2.2.2語(yǔ) 音的三種聲源 2.2.3語(yǔ) 音產(chǎn)生的聲學(xué)原理 2.3語(yǔ)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(yǔ)譜圖 2.3.4梅爾頻率語(yǔ)譜圖與梅爾倒譜系數(shù) 2.3.5基頻 第3章漢語(yǔ)聲調(diào)的特點(diǎn). 3.1 聲調(diào)、音高與音調(diào) 3.2 漢語(yǔ)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(yǔ)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(yǔ)方言聲調(diào)分類(lèi)的實(shí)現(xiàn) 4.3.1圖像分類(lèi)任務(wù) 4.3.2特征選擇 與提取 4.3.3基于SVM 算法的漢語(yǔ)方言聲調(diào)分類(lèi)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(yǔ)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(yǔ)譜圖分類(lèi)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(yǔ)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(yǔ)方言聲調(diào)分類(lèi)的實(shí)現(xiàn) 6.3.1數(shù)據(jù)來(lái)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(yǔ)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(lèi) 7.2.3脈 沖神經(jīng)膜系統(tǒng)的形式化定義 7.3 門(mén)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(yǔ)方言聲調(diào)分類(lèi)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(yǔ)聲調(diào)的無(wú)監(jiān)督聚類(lèi) 8.1聚類(lèi)算法簡(jiǎn)介 8.2基于特征提取的漢語(yǔ)聲調(diào)聚類(lèi) 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(lèi) 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(yǔ)聲調(diào)聚類(lèi) 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(lèi)包 8.4.6 K 值的選取方法. 8.4.7基于K-means算法的漢語(yǔ)方言聲調(diào)聚類(lèi)的實(shí)現(xiàn) 8.5基于層次聚 類(lèi)算法的漢語(yǔ)聲調(diào)聚類(lèi) 8.5.1層次 聚類(lèi)算法原理 8.5.2凝聚 和分裂層次聚類(lèi) 8.5.3簇間距離度量方法 8.5.4層次聚 類(lèi)的優(yōu)缺點(diǎn) 8.5.5基于最小距離的層次聚類(lèi)算法的基本思想 8.5.6基于層次 聚類(lèi)的語(yǔ)譜圖的聚類(lèi)實(shí)現(xiàn) 8.6 基于譜聚類(lèi)的漢語(yǔ)聲調(diào)聚類(lèi) 8.6.1譜聚類(lèi)基 本原理 8.6.2譜聚類(lèi)算法流程 8.6.3 sklearn 庫(kù)中的譜聚類(lèi)使用 8.6.4基于譜聚類(lèi)的漢語(yǔ)方言聲調(diào)聚類(lèi)的實(shí)現(xiàn) 8.7 總結(jié) 參考文獻(xiàn).