导读:本文包含了混合词表论文开题报告文献综述及选题提纲参考文献，主要关键词:大词表连续语音识别,混合模型,隐马尔科夫模型,人工神经网络模型
混合词表论文文献综述
蒋瑞,李海峰,马琳[1]（2012）在《基于ANN/HMM混合模型汉语大词表连续语音识别系统》一文中研究指出提出一种基于隐马尔可夫模型(Hidden Markov model,HMM)和人工神经网络(Artificial Neural Network,ANN)混合模型的汉语大词表连续语音识别系统。在混合模型系统中,多种模型协同工作。ANN负责建模音素发音物理特性,HMM联合语言学模型识别待识语料。这样,混合模型系统能够结合HMM和ANN两种模型的优点:HMM对时间序列结构建模能力强;ANN的非线性预测能力强,建模能力强,鲁棒性,便于硬件实现。实验结果表明,HMM/ANN混合模型系统有效结合了两种模型的优点,提高了识别率。(本文来源于《智能计算机与应用》期刊2012年05期）
蒋瑞[2]（2012）在《基于ANN/HMM混合模型汉语大词表连续语音识别系统建立》一文中研究指出语音识别是一门内涵丰富、应用广泛的技术，在一些应用领域中正迅速成为一个关键的具有竞争力的技术，如用于自动口语翻译，实现跨语言交流。本文以汉语大词表连续语音识别为应用背景，主要研究了基于人工神经网络模型（ANN）与隐马尔可夫模型（HMM）相结合的混合模型。本文详细分析了ANN和HMM的优点与缺点。深入研究了五种主要的ANN/HMM混合模型：早期模拟HMM算法的尝试；用ANN估计HMM的状态后验概率；基于全局最优训练方法的混合模型；ANN作为离散型HMM的矢量量化器；ANN作为HMM的后处理器。本文研究了ANN/HMM混合模型的优势，并提出了一种基于隐马尔可夫模型和人工神经网络混合模型的汉语大词表连续语音识别系统。在混合模型系统中，多种模型协同工作。ANN是状态级模型，负责建模音素发音物理特性；HMM联合语言学模型识别待识语料。这样，混合模型系统能够结合HMM和ANN两种模型的优点：HMM对时间序列结构建模能力强；ANN的非线性预测能力强，建模能力强，鲁棒性，便于硬件实现。最后，考虑到音节发音的发音变化性和神经网络的结构特点，将多路径建模技术引进系统，明显减少了删除错误，增强了系统的建模能力。实验结果表明，HMM/ANN混合模型系统有效结合了两种模型的优点，提高了识别率。(本文来源于《哈尔滨工业大学》期刊2012-06-01）
赵国瑞[3]（2008）在《混合词表中的词长效应》一文中研究指出本研究中的词长效应是由一组长词组成的词表比短词组成的词表的序列位置回忆成绩更差的现象。有关词长效应的理论解释早期主要有两种,一种以Baddeley等提出的语音回路模型为基础,认为长词比短词有更长的发音时间,从而花费更长的复述时间所致;另一种观点认为长词比短词具有更多的音节数目或语音复杂性所致,以特征模型等为基础。近来一些研究者使用混合词表的形式来考察词长效应,并引入一种新的因素来解释混合词表的回忆结果。但由于一些使用混合词表的实验结果可能是由于猜测因素导致的,而非新的因素,本研究主要探讨这种可能性。这里的叁个实验均以严格的序列位置重构的方式来回忆。在第一个实验中采用BLOCK设计,结果表明交替混合词表间不存在词长效应,与Hulme等(2004)的实验二的结果一致。但在第二个实验中,使用随机混合词表的BLOCK设计中混合词表的回忆优势并不明显,这与Hulme等在实验二中的结果形成一个对比。在实验叁中,通过对猜测因素的控制,结果表明在交替混合词表不仅受益,而且存在词长效应,这与以往采用混合词表进行回忆的结果明显不一致。本研究的结果无法用语音回路模型或特征模型加以解释,而且Hulme等人所描述的SIMPLE模型也无法解释本研究中的第叁个实验的结果。这里假定在控制了猜测因素的作用之后,仍然有两种因素会影响对项目的序列位置回忆,分别是时间编码因素和分组式编码因素。有关混合词表的研究可以起到沟通短时记忆研究和语言学习研究的作用,双重编码中的分组式编码可能以类似“句法编码”的方式发挥作用。(本文来源于《河南大学》期刊2008-05-01）
混合词表论文开题报告
（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：
语音识别是一门内涵丰富、应用广泛的技术，在一些应用领域中正迅速成为一个关键的具有竞争力的技术，如用于自动口语翻译，实现跨语言交流。本文以汉语大词表连续语音识别为应用背景，主要研究了基于人工神经网络模型（ANN）与隐马尔可夫模型（HMM）相结合的混合模型。本文详细分析了ANN和HMM的优点与缺点。深入研究了五种主要的ANN/HMM混合模型：早期模拟HMM算法的尝试；用ANN估计HMM的状态后验概率；基于全局最优训练方法的混合模型；ANN作为离散型HMM的矢量量化器；ANN作为HMM的后处理器。本文研究了ANN/HMM混合模型的优势，并提出了一种基于隐马尔可夫模型和人工神经网络混合模型的汉语大词表连续语音识别系统。在混合模型系统中，多种模型协同工作。ANN是状态级模型，负责建模音素发音物理特性；HMM联合语言学模型识别待识语料。这样，混合模型系统能够结合HMM和ANN两种模型的优点：HMM对时间序列结构建模能力强；ANN的非线性预测能力强，建模能力强，鲁棒性，便于硬件实现。最后，考虑到音节发音的发音变化性和神经网络的结构特点，将多路径建模技术引进系统，明显减少了删除错误，增强了系统的建模能力。实验结果表明，HMM/ANN混合模型系统有效结合了两种模型的优点，提高了识别率。
（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。
混合词表论文参考文献
[1].蒋瑞,李海峰,马琳.基于ANN/HMM混合模型汉语大词表连续语音识别系统[J].智能计算机与应用.2012
[2].蒋瑞.基于ANN/HMM混合模型汉语大词表连续语音识别系统建立[D].哈尔滨工业大学.2012
[3].赵国瑞.混合词表中的词长效应[D].河南大学.2008