一、一种改进的LBG快速算法（论文文献综述）
王伟伟[1]（2021）在《基于SOPC的声纹识别系统中声纹识别算法的研究与实现》文中指出语音是我们生活中使用最为普遍和方便的交流方式,而且每个人由于生理特征和行为的差异,导致所发出的声音特征也不尽相同。从理论上来说,任何两个人的声纹信息都各不相同。声纹识别就是根据该理论,通过对比分析不同说话人之间的声纹特征差异,从而识别出说话人真实身份的一种新型生物认证技术。SOPC,是一种基于FPGA的片上可编程系统。基于SOPC的声纹识别系统,具有体积小、稳定性好且开发成本低的优势,其应用前景非常广阔。在声纹识别系统中,声纹识别模型和算法的好坏直接影响着系统的性能。矢量量化模型,其计算简单、响应速度快、识别精度高,非常适合在SOPC这种资源有限的平台上实现,所以本文选用矢量量化作为声纹识别模型。针对K-Means算法对初始聚类中心选取依赖性强的缺点,本文研究与实现了基于K-Means算法和自组织映射神经网络（SOM）的组合算法,即SOM-KMeans算法,并将SOMKMeans算法作为本文的声纹识别算法用于模型训练。然后利用自行录制的语音数据库,在PC机上使用SOM-KMeans算法和基于SOPC的声纹识别系统中常用的LBG、GA-K-VQ算法进行了仿真对比实验。通过实验证明,SOM-KMeans算法在声纹识别方面的性能要优于LBG算法和GA-K-VQ算法。为了验证SOM-KMeans算法在基于SOPC的声纹识别系统中的性能,本文根据SOPC系统的设计流程搭建了SOPC平台,然后在该SOPC平台上对SOMKMeans算法与LBG、GA-K-VQ算法进行了声纹识别对比实验。通过实验证明,SOM-KMeans算法在基于SOPC的声纹识别系统中同样具有优势。
屈冰玉[2]（2017）在《用于图像压缩的矢量量化技术的研究》文中研究说明随着互联网的快速发展以及人们对信息要求的提高,大量的静态图像和动态图像不仅需要存储和处理,还需要进行实时传输。如果不进行数据压缩,那么在现有的通信条件下,则难以保证信息传输的实时性。目前多媒体信息的存储和传输已经成为数字通信的巨大障碍,因此,对数据进行压缩已经变得越来越重要。矢量量化是一种具有较高压缩比的有效数据压缩技术,不仅用于图像压缩,更在图像检索、语音识别等领域得到了广泛地应用。矢量量化主要有码书设计、码字搜索和码字索引匹配三大技术,由于码书设计是矢量量化的基础,因此将其作为整个技术研究的核心。本文重点分析了现存的码书设计算法和码字搜索算法,并给出了新颖的优化方案。经典LBG算法简单、直观,被广泛地应用于码书设计。但由于其初始码书是以随机选取的方法获得的,故最终获取的码书性能较差。为了提高最终码书的质量,本文将粒子群优化算法应用到码书设计中。首先利用一致性的思想获取初始粒子,以降低非典型初始粒子的出现。然后通过对惯性权重和学习因子的修改,使得粒子前期以自身信息为准的同时进行全局搜索,后期以群体信息为准的同时进行局部搜索。最后通过最近邻条件和质心条件获取更新的码书。实验结果表明,改进后的算法不仅较为稳定,且不同压缩比下,改进后的算法所获取的码书质量均高于LBG算法。矢量的特征量和子矢量的特征量均和矢量的平方欧氏距离存在着一定的关系,因此被广泛地应用到矢量量化的码字搜索技术中。本文通过对均值和方差这两个特征量所确定的搜索范围进行分析,给出了一种基于均值、方差和三角不等式的码字搜索算法。实验结果表明,该算法能够有效地排除均值和方差这两个特征量所确定的排除准则不能排除的码字,且编码时所需的计算量较低。接着,通过对矢量和值特征量、范数特征量和子矢量的和值特征量所确定的搜索范围进行分析和比较,本文给出了一种基于三角不等式和子矢量的码字搜索算法。实验结果表明,该算法不仅稳定且编码时所需的计算量较低。
王一宁[3]（2017）在《基于矢量量化的高光谱图像压缩技术研究》文中指出高光谱图像是同时在多个光谱波段窄带上对同一地物进行观测所获得的图像,它反映了观测对象在各个窄光谱波段上的电磁波辐射特性,包含了观测对象的诸多信息。由于高光谱图像庞大的数据量,对其进行存储和传输是十分困难的。利用矢量量化技术对其进行压缩,能够实现压缩比高,同时保留原图更多的信息的压缩效果。然而现有的高光谱图像矢量量化压缩算法,具有计算复杂度较高,压缩后造成图像的失真较大的缺陷,针对以上问题,本文对高光谱图像做出了分析,并在此基础上提出了两种改进的高光谱图像矢量量化压缩算法,改进的两种算法显着地改善了高光谱图像矢量量化压缩的性能,本硕士学位论文具体成果有以下两个方面:第一,利用异常检测算法对高光谱图像压缩的改进效果,在此基础之上提出了一种基于异常检测的高光谱图像矢量量化快速压缩算法,该算法对原有的异常像素检测算法进行改进,结合主成分分析（Principal Component Analysis,PCA）,最后结合LBG（Linde Buzo Gray）算法完成矢量量化压缩。实验结果表明,该算法不仅能够提高压缩质量,还能降低所需计算量,实现高光谱图像的快速压缩。第二,利用先分类后压缩的思想能够对图像压缩进行改进的效果,提出一种基于空谱聚类和图像分类的高光谱图像矢量量化压缩算法,通过波段聚类+主成分分析和图像分类,降低了矢量量化码书搜索范围和搜索的计算量。实验结果表明,该算法在保证图像恢复质量基本不变的前提下,大幅度降低运算量,起到了高光谱图像快速压缩的效果。
李青龙[4]（2016）在《基于码本聚类优化的VQ说话人识别SOPC设计》文中研究表明说话人识别技术具有准确性高、识别方便、设备成本低廉和非接触识别等优势,可广泛应用于身份识别领域。模式识别作为影响说话人识别性能的重要组成部分,成为说话人识别技术的研究焦点。其中,矢量量化算法（Vector Quantization,VQ）模型设计简单、系统快速有效,被广泛的应用于快速说话人识别系统中。随着移动互联网时代的到来,要求说话人识别技术能够快速准确地识别说话人,并且易于集成在便携的小型移动设备中。而基于FPGA（Field Programmable Gate Array）的片上可编程逻辑系统（System on a Programmable Chip,SOPC）具有功耗小、成本低、速度快、易集成等优势,能够充分的利用片上资源实现相关算法。因此,说话人识别系统的SOPC设计成为重要趋势。为了实现说话人声纹特征模式识别的SOPC设计,本文通过对已有模式识别算法进行分析,在综合考虑识别性能和算法复杂度的情况下,选择适合FPGA设计实现的矢量量化算法进行研究,并针对原算法匹配识别时全搜索计算量大的问题进行改进,提出基于码本聚类优化的矢量量化算法和相应的快速匹配识别算法。然后对改进算法过程中计算量大、消耗时间长的步骤进行硬件模块的设计,并借助SOPC Builder和NIOS II IDE平台完成说话人声纹特征模式识别系统的软硬件设计,实现说话人模式识别的SOPC系统。对于说话人识别系统的芯片化设计具有重要意义。论文主要包括以下几个方面的内容:1.对说话人声纹特征的模式识别算法进行研究,选择适合进行FPGA设计实现的VQ算法进行改进,针对原始算法匹配识别全搜索计算量大的问题,提出码本聚类矢量量化算法,并设计快速匹配算法。实验表明,优化算法在不影响识别准确率的前提下,获得了57.44%的匹配次数优化率。2.分析改进算法整体流程,针对算法中计算量大、消耗时间长的关键步骤进行基于FPGA的硬件模块设计,主要包括LBG算法模块、码本间距离计算模块、代表码本计算模块、特征参数与码本间距离计算模块等,并通过仿真验证了设计模块的有效性。3.将相关加速模块封装成适合进行SOPC设计的IP（Intellectual Property）核,并配合NIOS II处理器完成SOPC系统的软硬件设计,最终通过测试验证了本文设计系统的准确性、可靠性和高效性。
韩勇[5]（2014）在《基于矢量量化的高光谱遥感图像压缩》文中研究指明随着高光谱遥感在国民经济领域的广泛应用，成像光谱仪技术得到迅速发展。高光谱遥感图像的光谱通道数达到上百个，光谱分辨率越来越高，使得高光谱遥感图像的数据量急剧增加。庞大的数据量给高光谱遥感图像的存储和传输带来了巨大压力，严重制约了其应用，因此，对高光谱遥感图像进行有效地压缩显得更加迫切。矢量量化作为一种高效的图像数据压缩编码技术，具有压缩比高、编解码简单且速度快的优点，在高光谱遥感图像压缩领域得到了广泛应用。本文将阐述高光谱遥感图像的特性以及矢量量化的基本原理，并针对现有基于矢量量化技术的高光谱遥感图像压缩算法存在的不足，根据算法特性和图形学思想提出改进算法：1.针对基于LBG的高光谱遥感图像压缩算法存在计算量大和图像恢复质量不高的缺点，结合差值思想对算法进行改进，提出一种高光谱遥感信号的快速差值矢量量化压缩编码方法，经实验仿真表明，在压缩比相同的情况下，与原始算法相比，改进算法提高了图像的编码质量，同时也降低了算法的复杂度；2.针对现有基于几何学思想的点到直线模型的高光谱遥感图像压缩算法在寻找矢量点对应最佳矢量面的过程中存在计算量大的缺点，结合小波变换的特性，提出一种改进的基于小波域子矢量的点到线模型的高光谱遥感图像压缩算法，经实验仿真表明，在码书尺寸相同的情况下，改进算法的计算量得到大幅地降低，同时图像量化后的信息熵也得到降低；3.针对现有利用哈达玛变换性质的基于矢量量化的高光谱遥感图像压缩算法，其思想是通过增加额外零矢量的方式来使用快速算法，根据矢量量化编码的特点，显然其在算法计算量上存在可以改善的空间，结合哈达玛变换的特性，提出一种基于矢量维数分割量化的高光谱遥感图像压缩算法，通过矢量分割使每一个部分都满足哈达玛变换的要求，经实验仿真表明，在码书尺寸相同的情况下，改进算法在图像恢复质量和算法复杂度上都明显得到改善；4.为了适应不同场景下的应用需求，针对现有的基于矢量量化高光谱遥感图像压缩算法存在的不足，在矢量维数分割量化的高光谱遥感图像压缩算法的基础上，结合多级矢量量化思想，提出一种改进的基于多级矢量量化的高光谱遥感图像压缩算法，经实验仿真表明，改进算法在码书尺寸相同的情况下，图像的恢复质量和算法复杂度以及压缩比都得到大幅地改善。
宁爱平[6]（2013）在《人工蜂群算法及其在语音识别中的应用研究》文中研究表明群智能优化算法是受自然界中群居生物生活习性的启发而提出用来解决复杂优化问题的算法,目前己成为解决优化问题的研究热点。人工蜂群算法就是受蜜蜂采蜜行为的启发而提出的一种新型群智能优化算法。人工蜂群算法由于在寻优过程中能很好地兼顾食物源的开采和探测过程,能在一定程度上跳出局部最优,以较大的概率找到全局最优解,因而深受广大学者的关注语音识别技术是实现人与计算机能很好交流的关键技术,而语音识别模型是语音识别的重要模块,因此如何使识别模型更优是语音识别领域的重点课题。本文在对人工蜂群算法的性能分析和理论研究的基础上,提出了两种改进的人工蜂群算法,并探讨了人工蜂群算法在语音识别模型中的应用,识别结果显示了人工蜂群算法及改进的人工蜂群算法良好的性能。本文的主要内容和创新性成果如下：（1）阐述了人工蜂群算法的产生背景及研究现状,深入研究了人工蜂群算法的产生机理,分析了人工蜂群算法与其他智能优化算法的共性和特性及算法的时间复杂度,用标准函数测试了人工蜂群算法的优化性能。（2）对人工蜂群算法进行了理论研究。对人工蜂及人工蜂群的状态及状态空间进行了严格的数学定义,给出了人工蜂群的一步转移概率,证明了人工蜂群状态转移过程是有限齐次的Markov链。根据随机优化的收敛准则,分析了人工蜂群算法的全局收敛性。利用鞅定义和下鞅收敛定理,分析了人工蜂群算法搜索过程中适应度的变化过程实质上是一个下鞅随机过程,证明了算法的处处收敛性。（3）针对人工蜂群算法易早熟和收敛速度慢等缺陷,本文从两个角度出发提出了两种改进的人工蜂群算法。①混沌时变人工蜂群算法。采用了混沌映射初始化种群来增加种群的遍历性,在跟随蜂搜索方程中加入时变参数因子,使跟随蜂在搜索过程中根据迭代次数的变化不断改变其搜索空间,加快搜索效率,同时为了使算法能更好的跳出局部最优,在侦查蜂搜索阶段引入混沌搜索。②排序分裂选择的人工蜂群算法。跟随蜂选择食物源时先依据排序选择策略对适应度值排序,然后把排列序号按分裂选择的思想计算选择概率,在维持种群多样性的同时,提高了搜索精度。（4）针对离散隐马尔可夫（DHMM）孤立词语音识别系统中由矢量量化引起的量化误差造成识别率低的问题,在分析LBG算法的基础上,提出了人工蜂群算法和混沌时变人工蜂群算法的码书设计方法。算法中食物源代表码字,适应度函数用矢量量化的失真测度表示,算法的搜索过程就是最优码书的生成过程。将人工蜂群算法和混沌时变人工蜂群算法应用到DHMM的语音识别系统中,识别结果与粒子群初始化码书的LBG算法及LBG算法的DHMM语音识别系统的识别结果相比,显示出这种方法的可行性及CTABC算法很好的寻优能力。（5）为了解决模糊神经网络的传统训练算法BP算法不能很好地找到全局最优及易陷入局部极小值等问题,提出了采用人工蜂群算法和排序分裂选择的人工蜂群算法优化模糊神经网络的隶属度中心,宽度由中心周围的样本点确定,伪逆法计算模糊神经网络权值矩阵的混合优化算法。将优化后的模糊神经网络用于语音识别,识别结果与粒子群算法和BP算法优化的模糊神经网络相比,表明这种混合学习算法的有效性,同时显示出排序分裂选择的人工蜂群算法算法容易跳出局部极值,能很好地找到全局最优,且提高了模糊神经网络的鲁棒性和识别率。（6）由于支持向量机的核函数及参数对支持向量机的分类性能有很大的影响,因此选择好的参数优化方法对支持向量机来说是非常必要的。针对传统支持向量机参数选择方法易陷入局部极值的问题,提出了人工蜂群算法的支持向量机参数优化方法。该方法中用食物源位置表示支持向量机的惩罚因子和核参数,适应度函数用分类正确率的函数来表示,人工蜂群算法的搜索最优食物源的过程就是支持向量机寻找最优参数的过程。用优选参数后的支持向量机对三种数据库进行了语音识别,识别结果与粒子群算法优化的支持向量机进行比较,表明了人工蜂群算法是一种很好的参数寻优方法,不仅克服局部最优解、提高了语音识别率,还增强了支持向量机的鲁棒性和推广能力。
吴立彬[7]（2012）在《矢量量化技术及其在超光谱图像中的应用研究》文中研究指明矢量量化技术作为一种高效的数据压缩方法，由于它具有高压缩比、解码简单和失真较小的优点,被广泛的应用于模式识别,数字水印以及图像数据压缩等领域中。矢量量化的基本原理是在码书中搜索与输入矢量最匹配的码字，将对应的码字索引代替输入矢量进行传输和存储，而解码时只需要简单的查表操作。本文以矢量量化技术在图像处理中的应用作为研究目标，详细阐述了矢量量化的基本原理、相关概念及研究现状，着重探讨了矢量量化的两大关键技术——码书设计和码字快速搜索。在此基础上总结分析了现有典型的算法，并提出改进算法。1码书设计方面，在分析传统LBG算法的基础上，针对LBG算法自适应能力不强，对初始码书敏感以及运算复杂度高的缺点，本文提出一种改进算法：当训练矢量找到匹配码字后，实时调整胞腔的质心，提高算法的收敛速度。此外，在码书设计中引入快速搜索算法，快速排除大量的不匹配码字。仿真结果表明，改进算法明显的减少了计算量，而且提高了码书的性能。2码字快速搜索方面，在分析和研究几种基于最近邻域码字快速搜索算法的基础上，利用哈达玛变换运算简单以及子矢量能够降低搜索范围的特点提出了两种改进算法。通过基于子矢量特征值的排除不等式和哈达玛变换的有效结合，实现了更高效的码字排查效率。3针对超光谱图像数据量大，谱间相关性和空间相关性强的特点，将具有聚类特性的矢量量化技术应用到超光谱图像的压缩中，相比利用基本的LBG算法编码图像，改进算法将超光谱图像的所有波段数作为矢量的维数，对图像进行整体处理，同时在变换域中利用快速搜索算法降低计算复杂度，仿真结果表明，改进算法在保证压缩比的同时，在图像质量以及运算复杂度方面都得到了明显的提升。
杨威[8]（2012）在《图像编码中的矢量量化优化算法研究》文中提出本文深入研究了图像压缩中的一种重要技术——矢量量化。首先对于矢量量化技术的基本原理、学术概念、关键技术、发展现状等进行了详细介绍。接着重点对于矢量量化过程中的两大关键技术——码书设计、码字搜索进行了深入的探索与研究。在矢量量化介绍部分,先概要性地介绍了矢量量化的基本原理、学术概念。接着在此基础上,详细介绍了矢量量化的三大关键技术——码书设计、码字搜索和码字索引分配,并分别对这三部分的发展现状加以详细叙述。最后,对于当前矢量量化系统的种类加以总结。在码书设计部分,首先详细介绍了作为指导原则的矢量量化系统最优条件。然后,以此为基础,对于码书设计乃至矢量量化技术的经典算法——LBG算法加以详细描述,包括LBG算法的原理、步骤、优缺点等。接着介绍了几种LBG的改进算法:分离平均算法和排序分离平均算法。最后提出了一种新的LBG改进算法——基于排序分离平均算法的码书设计改进算法。该算法通过对矢量空间划分过程中出现的不合理胞腔采用填充与当前码书距离最远输入矢量的方式,以减少不合理胞腔的个数,使矢量空间划分更趋于合理化。经数字仿真实验验证,该算法设计的码书具有比较好的性能表现。在码字搜索部分,分别详细叙述了如下目前常见的码字快速搜索算法:全搜索算法、部分失真搜索算法、基于绝对误差不等式的码字快速搜索算法、基于三角不等式的码字快速搜索算法、等均值最近邻搜索算法、等均值等方差最近邻搜索算法、基于子矢量特征的码字快速搜索算法。然后以上述部分搜索算法为基础,提出了一种新的码字快速搜索算法——基于矢量及子矢量特征的码字搜索优化算法。该算法更加充分地利用了矢量及子矢量的均值、方差两种特征值。通过等式变化,构造出一系列更加有效的不等式判据,有效地缩小了搜索范围,提高了搜索效率。数字仿真实验最终验证了其性能的确要优于其他算法。
李殷[9]（2012）在《量子粒子群算法研究及其在图像矢量量化码书设计中的应用》文中研究指明量子智能优化算法与其对应的经典优化算法相比具有更好的种群多样性;种群分散性好,小种群染色体可以对应多个搜索状态;更具并行性;收敛速度更快;具有极强的全局搜索能力等优点。量子粒子群算法是将量子计算与模仿自然界生物行为的粒子群优化算法相融合的量子群智能优化算法。本文主要研究量子粒子群算法的特性及其改进,并将其应用于图像矢量量化码书设计中。主要的研究工作有:首先,研究了粒子群优化算法及带权重和带收缩因子的粒子群算法的特性,并在此基础上研究量子粒子群算法的基本原理和算法流程,通过仿真实验表明,在复杂函数优化问题中,量子粒子群算法比粒子群算法有更好的优化性能。其次,研究了量子进化算法、实数编码的量子进化算法的原理和性能,并将实数编码的量子进化算法的思想引入到粒子群算法中,提出一种新型的量子粒子群算法。几组基准函数的实验仿真和0-1背包问题的应用研究结果证明了所提出的新型的量子粒子群算法的可行性和高效性。最后,研究了矢量量化技术、LBG码书设计算法及其改进算法的性能。给出了基于粒子群、量子粒子群以及新型量子粒子群的矢量量化码书设计方法的设计过程和算法流程,通过测试图像的仿真实验表明,新型的量子粒子群算法能够设计出比量子粒子群算法、传统的LBG及其改进算法具有更高性能的码书。
段薇[10]（2011）在《粒子群优化矢量量化算法在DHMM语音识别中的应用》文中指出语音识别技术是一个快速发展的高科技产业,已经被应用到了很多领域,它将成为未来计算机的重要特征,对它的研究有重要的意义。隐马尔可夫模型（Hidden Markov Model, HMM）是语音信号处理的一种统计模型,在很多领域都得到了广泛的应用。在孤立词语音识别系统中,需要对语音特征进行矢量量化（Vector Quantization, VQ）, VQ是一种数据压缩技术,它能够对信息进行压缩而又不失真。粒子群优化算法（Particle Swarm Optimization, PSO）是一种操作简单、易于实现的全局优化算法。人工免疫算法是一种通过模仿自然界中生物群体的免疫系统,从而实现免疫记忆和自我调节功能的群智能算法,它已经成为人工智能算法的又一个研究热点。本文对粒子群优化矢量量化算法用于DHMM语音识别进行了深入的研究,做的工作有以下三点：1、针对矢量量化中的LBG算法依赖于初始码书的选取,容易陷入局部最优值,自适应能力不强的缺点,引入了粒子群优化算法,本文用粒子群优化了码书设计算法,并将其用于DHMM孤立词语音识别系统中。通过实验证明了该算法的优越性,在识别率上优于LBG码书设计算法的DHMM语音识别系统。2、针对粒子群优化算法在训练后期,最优粒子长时间得不到更新,容易早熟的问题,引入了人工免疫算法。本文将免疫系统的免疫记忆、免疫调节及接种疫苗等处理机制用到粒子群优化算法中,设计了免疫粒子群算法,并用四个典型的测试函数对其进行测试,证明了免疫粒子群算法能够提高全局收敛能力和进化过程中的收敛速度。3、将免疫粒子群算法和LBG算法结合进行聚类分析,得到了免疫粒子群优化的码书设计算法,并将其用于DHMM孤立词语音识别系统中,与粒子群优化的DHMM语音识别系统的识别结果相比,证明了改进的系统有较好的识别率和鲁棒性。
二、一种改进的LBG快速算法（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、一种改进的LBG快速算法（论文提纲范文）
（1）基于SOPC的声纹识别系统中声纹识别算法的研究与实现（论文提纲范文）
| 摘要 |
| ABSTRACT |
| 第一章 绪论 |
| 1.1 课题研究的背景与意义 |
| 1.2 声纹识别研究的现状 |
| 1.3 本文的研究内容 |
| 1.4 本文的主要工作及章节安排 |
| 1.4.1 论文的主要工作 |
| 1.4.2 论文的章节安排 |
| 第二章 基于 SOPC 的声纹识别算法相关技术 |
| 2.1 基于FPGA的 SOPC技术 |
| 2.2 声纹识别模型选择 |
| 2.3 基于矢量量化的声纹识别模型 |
| 2.3.1 矢量量化的基本原理 |
| 2.3.2 矢量量化的失真测度 |
| 2.3.3 矢量量化的码本设计 |
| 2.4 本章小结 |
| 第三章 SOM-KMeans算法介绍 |
| 3.1 K-Means算法概述 |
| 3.2 自组织映射神经网络(SOM)概述 |
| 3.3 基于K-Means和 SOM的改进算法 |
| 3.3.1 算法改进的思路 |
| 3.3.2 新算法的流程 |
| 3.4 本章小结 |
| 第四章 SOM-KMeans声纹识别算法仿真测试 |
| 4.1 语音数据库的建立 |
| 4.2 语音信号预处理 |
| 4.2.1 预加重 |
| 4.2.2 分帧 |
| 4.2.3 加窗 |
| 4.2.4 端点检测 |
| 4.3 特征参数提取 |
| 4.3.1 FFT变换 |
| 4.3.2 Mel滤波 |
| 4.3.3 对数运算 |
| 4.3.4 DCT变换 |
| 4.4 模型训练 |
| 4.5 模型匹配 |
| 4.6 实验结果与分析 |
| 4.7 本章小结 |
| 第五章 基于SOPC的 SOM-KMeans声纹识别算法性能测试 |
| 5.1 实验的总体设计 |
| 5.2 实验平台介绍 |
| 5.3 SOPC硬件平台搭建 |
| 5.4 实验结果与分析 |
| 5.5 本章小结 |
| 第六章 工作总结与展望 |
| 6.1 工作总结 |
| 6.2 工作展望 |
| 参考文献 |
| 致谢 |
（2）用于图像压缩的矢量量化技术的研究（论文提纲范文）
| 摘要 |
| abstract |
| 第1章 绪论 |
| 1.1 课题背景和意义 |
| 1.2 课题研究现状 |
| 1.2.1 矢量量化码书设计算法的研究现状 |
| 1.2.2 矢量量化快速码字搜索算法的研究现状 |
| 1.3 论文研究内容 |
| 第2章 矢量量化基础理论 |
| 2.1 矢量量化定义 |
| 2.2 矢量量化评价指标 |
| 2.2.1 编码速率 |
| 2.2.2 复杂度 |
| 2.2.3 失真测度 |
| 2.2.4 编码失真 |
| 2.3 经典LBG码书设计算法 |
| 2.3.1 最优矢量量化码书的必要条件 |
| 2.3.2 LBG算法 |
| 2.4 常用码字搜索算法 |
| 2.4.1 部分失真搜索算法 |
| 2.4.2 基于三角不等式的码字搜索算法 |
| 2.4.3 基于范数的码字搜索算法 |
| 2.5 本章小结 |
| 第3章 基于粒子群算法的码书设计 |
| 3.1 编码方式和适应度函数 |
| 3.1.1 编码方式 |
| 3.1.2 适应度函数 |
| 3.2 参数设置 |
| 3.2.1 惯性权重的设置 |
| 3.2.2 学习因子的设置 |
| 3.3 初始粒子的设置 |
| 3.4 基于粒子群的码书设计算法的描述 |
| 3.4.1 基于粒子群的码书设计算法的具体步骤 |
| 3.4.2 基于粒子群的码书设计算法的流程图 |
| 3.5 仿真实验及分析 |
| 3.6 本章小结 |
| 第4章 基于三角不等式的码字搜索算法 |
| 4.1 基于均值、方差和三角不等式的码字搜索算法 |
| 4.1.1 码字排除准则 |
| 4.1.2 算法描述 |
| 4.1.3 仿真实验与分析 |
| 4.2 基于三角不等式和子矢量的码字搜索算法 |
| 4.2.1 码字排除准则 |
| 4.2.2 算法描述 |
| 4.2.3 仿真实验与分析 |
| 4.3 本章小结 |
| 第5章 结束语 |
| 5.1 论文工作总结 |
| 5.2 后续研究 |
| 参考文献 |
| 致谢 |
| 攻读硕士学位期间从事的科研工作及取得的成果 |
（3）基于矢量量化的高光谱图像压缩技术研究（论文提纲范文）
| 摘要 |
| abstract |
| 第1章 绪论 |
| 1.1 研究背景及意义 |
| 1.2 压缩技术的发展现状 |
| 1.2.1 预测-熵编码模式 |
| 1.2.2 变换编码模式 |
| 1.2.3 矢量量化编码模式 |
| 1.2.4 矢量量化算法的改进 |
| 1.3 本硕士学位论文的主要研究内容 |
| 1.4 论文结构 |
| 第2章 高光谱图像分析及压缩性能指标 |
| 2.1 高光谱图像简介 |
| 2.2 矢量量化简介 |
| 2.2.1 高光谱图像的矢量量化 |
| 2.2.2 LBG矢量量化算法 |
| 2.3 高光谱图像的数据分析 |
| 2.3.1 空间相关性 |
| 2.3.2 谱间相关性 |
| 2.4 压缩性能评估指标 |
| 2.4.1 压缩质量 |
| 2.4.2 压缩能力 |
| 2.4.3 压缩速度 |
| 2.4.4 算法复杂度 |
| 2.5 本章小结 |
| 第3章 基于异常检测的高光谱图像矢量量化快速压缩算法 |
| 3.1 引言 |
| 3.2 异常像素检测 |
| 3.3 本章算法 |
| 3.3.1 主成分分析（PCA） |
| 3.3.2 基于主成分分析（PCA）的异常像素检测算法 |
| 3.4 实验结果与性能分析 |
| 3.5 本章小结 |
| 第4章 一种基于图像分类的高光谱图像矢量量化压缩算法 |
| 4.1 引言 |
| 4.2 波段聚类 |
| 4.2.1 最大相关度波段聚类算法(MCBC) |
| 4.2.2 PCA对图像的特征提取 |
| 4.3 CSSP图像分类算法 |
| 4.4 本章算法流程 |
| 4.5 仿真结果及性能分析 |
| 4.6 本章小结 |
| 第5章 总结与展望 |
| 5.1 总结 |
| 5.2 展望 |
| 参考文献 |
| 附录A 等式(4.20)的计算过程 |
| 致谢 |
| 攻读硕士学位期间从事的科研工作及取得的成果 |
（4）基于码本聚类优化的VQ说话人识别SOPC设计（论文提纲范文）
| 摘要 |
| Abstract |
| 1 绪论 |
| 1.1 课题研究的背景与意义 |
| 1.2 国内外研究现状 |
| 1.2.1 说话人识别技术研究现状 |
| 1.2.2 说话人识别模式匹配算法研究现状 |
| 1.2.3 VQ算法的研究现状 |
| 1.2.4 基于SOPC的说话人识别研究现状 |
| 1.3 主要研究内容与难点 |
| 2 基于码本聚类优化的VQ说话人识别算法设计与验证 |
| 2.1 说话人识别关键技术 |
| 2.1.1 说话人识别基本工作原理 |
| 2.1.2 说话人语音特征参数 |
| 2.2 基于VQ算法的说话人识别关键技术 |
| 2.2.1 码本生成LBG算法 |
| 2.2.2 匹配识别算法 |
| 2.3 基于码本聚类优化的VQ算法设计 |
| 2.3.1 码本聚类算法相关参数定义 |
| 2.3.2 码本聚类算法 |
| 2.4 基于码本聚类优化的快速匹配算法设计 |
| 2.4.1 改进的匹配算法 |
| 2.4.2 算法性能指标 |
| 2.5 码本聚类优化VQ算法的仿真验证 |
| 2.5.1 语音库的建立 |
| 2.5.2 分类阈值对系统性能的影响 |
| 2.5.3 改进匹配识别算法性能测试 |
| 2.6 本章小结 |
| 3 基于FPGA的码本聚类VQ算法模块化设计 |
| 3.1 基本加速模块的设计 |
| 3.1.1 串入并出模块 |
| 3.1.2 并行欧氏距离测度计算模块 |
| 3.1.3 最小距离选择器模块 |
| 3.2 LBG算法加速模块设计 |
| 3.2.1 LBG算法加速模块设计方式 |
| 3.2.2 码本缓存模块 |
| 3.2.3 码本更新与失真计算模块 |
| 3.2.4 LBG加速模块整体设计 |
| 3.3 码本聚类算法加速模块设计 |
| 3.3.1 码本聚类算法加速模块设计方式 |
| 3.3.2 码本间距离计算模块 |
| 3.3.3 代表码本计算模块 |
| 3.4 匹配计算加速模块设计 |
| 3.4.1 匹配计算加速模块设计方式 |
| 3.4.2 特征参数与码本间距离计算模块 |
| 3.5 本章小结 |
| 4 码本聚类VQ算法说话人识别的SOPC设计 |
| 4.1 系统功能设计 |
| 4.2 系统组成 |
| 4.3 初级码本训练设计 |
| 4.3.1 码本的储存和标签设计 |
| 4.3.2 自定义LBG算法IP核 |
| 4.3.3 初级码本训练主程序 |
| 4.4 代表码本生成设计 |
| 4.4.1 自定义码本间距离计算模块IP核 |
| 4.4.2 自定义代表码本计算模块IP核 |
| 4.4.3 代表码本生成主程序 |
| 4.5 匹配识别设计 |
| 4.5.1 自定义特征参数与码本间距离计算模块IP核 |
| 4.5.2 匹配识别主程序 |
| 4.6 系统总体实现 |
| 4.6.1 SOPC硬件平台构建 |
| 4.6.2 系统主控程序 |
| 4.7 本章小结 |
| 5 系统验证与性能分析 |
| 5.1 编译与下载 |
| 5.2 系统识别准确率测试 |
| 5.3 系统运行时间测试 |
| 5.4 本章小结 |
| 结论 |
| 参考文献 |
| 攻读硕士学位期间发表学术论文情况 |
| 致谢 |
（5）基于矢量量化的高光谱遥感图像压缩（论文提纲范文）
| 摘要 |
| Abstract |
| 缩略词 |
| 第一章 绪论 |
| 1.1 研究背景及意义 |
| 1.2 高光谱遥感图像压缩算法研究现状 |
| 1.2.1 基于预测的高光谱遥感图像压缩 |
| 1.2.2 基于变换的高光谱遥感图像压缩 |
| 1.2.3 基于矢量量化的高光谱遥感图像压缩 |
| 1.3 论文主要工作 |
| 1.4 论文结构 |
| 第二章 高光谱遥感图像特性分析 |
| 2.1 高光谱遥感图像介绍 |
| 2.2 空间相关性分析 |
| 2.3 谱间相关性分析 |
| 2.4 高光谱遥感图像压缩性能评价指标 |
| 2.4.1 主观评价指标 |
| 2.4.2 客观评价指标 |
| 2.5 本章小结 |
| 第三章 矢量量化及其在高光谱遥感图像中应用 |
| 3.1 引言 |
| 3.2 矢量量化的定义 |
| 3.2.1 矢量量化的码书设计 |
| 3.2.2 矢量量化码字快速收缩算法 |
| 3.3 基于 LBG 算法的高光谱遥感图像压缩 |
| 3.4 高光谱遥感信号的快速差值矢量量化压缩算法 |
| 3.4.1 算法描述 |
| 3.4.2 仿真实验 |
| 3.5 本章小结 |
| 第四章 基于小波域点到线模型的高光谱遥感图像压缩算法 |
| 4.1 点到线模型的高光谱遥感图像压缩 |
| 4.2 高光谱遥感信号的小波分析 |
| 4.3 改进的点到线模型的高光谱遥感图像压缩算法 |
| 4.3.1 算法描述 |
| 4.3.2 仿真实验 |
| 4.4 本章小结 |
| 第五章 基于维数分割矢量量化的高光谱遥感图像压缩算法 |
| 5.1 哈达玛变换 |
| 5.2 基于哈达玛变换的高光谱遥感图像压缩方法 |
| 5.3 改进的基于哈达玛变换的高光谱遥感图像压缩方法 |
| 5.3.1 算法描述 |
| 5.3.2 仿真实验 |
| 5.4 改进的多级矢量量化的高光谱遥感图像压缩算法 |
| 5.4.1 算法描述 |
| 5.4.2 仿真实验 |
| 5.5 本章小结 |
| 第六章 总结与展望 |
| 6.1 工作总结 |
| 6.2 发展展望 |
| 致谢 |
| 参考文献 |
| 附录 攻读硕士学位期间取得的研究成果及参与项目 |
（6）人工蜂群算法及其在语音识别中的应用研究（论文提纲范文）
| 摘要 |
| ABSTRACT |
| 目录 |
| 符号对照表 |
| 英文缩写对照表 |
| 图索引 |
| 表索引 |
| 第一章 绪论 |
| 1.1 课题的目的和意义 |
| 1.2 人工蜂群算法的国内外研究现状 |
| 1.2.1 算法的诞生 |
| 1.2.2 算法的理论研究 |
| 1.2.3 人工蜂群算法的应用领域 |
| 1.2.4 算法的改进研究 |
| 1.2.5 人工蜂群算法存在的问题 |
| 1.3 语音识别概述及国内外研究现状 |
| 1.3.1 语音信号预处理 |
| 1.3.2 语音信号特征提取 |
| 1.3.3 语音识别模型 |
| 1.3.4 语音识别的国内外研究现状 |
| 1.4 论文主要研究内容及创新点 |
| 1.5 论文结构和章节安排 |
| 第二章 人工蜂群算法的性能分析 |
| 2.1 引言 |
| 2.2 一些智能优化算法 |
| 2.2.1 蚁群算法 |
| 2.2.2 粒子群算法 |
| 2.2.3 细菌觅食算法 |
| 2.2.4 人工鱼群算法 |
| 2.2.5 混合蛙跳算法 |
| 2.2.6 猫群算法 |
| 2.3 人工蜂群算法 |
| 2.3.1 蜜蜂的采蜜过程 |
| 2.3.2 人工蜂群算法的基本模型 |
| 2.3.3 人工蜂群算法的搜索过程 |
| 2.3.4 人工蜂群算法的实现步骤 |
| 2.4 人工蜂群算法的性能分析 |
| 2.4.1 人工蜂群算法的共性 |
| 2.4.2 人工蜂群算法的特性 |
| 2.4.3 人工蜂群算法的复杂度分析 |
| 2.5 人工蜂群算法优化性能分析实验 |
| 2.5.1 测试用的标准函数 |
| 2.5.2 实验结果及分析 |
| 2.6 本章小结 |
| 第三章 人工蜂群算法的收敛性分析 |
| 3.1 引言 |
| 3.2 相关数学知识 |
| 3.3 人工蜂群算法的数学基础 |
| 3.3.1 人工蜂群算法的数学定义 |
| 3.3.2 人工蜂群算法的Markov链模型 |
| 3.4 人工蜂群算法的全局收敛性分析 |
| 3.4.1 随机优化算法的收敛标准 |
| 3.4.2 人工蜂群算法的全局收敛性 |
| 3.5 人工蜂群算法的几乎处处收敛性分析 |
| 3.5.1 鞅收敛理论 |
| 3.5.2 人工蜂群算法几乎处处强收敛性分析 |
| 3.6 本章小结 |
| 第四章 人工蜂群算法改进DHMM的孤立词语音识别 |
| 4.1 引言 |
| 4.2 DHMM的语音识别系统 |
| 4.2.1 HMM模型 |
| 4.2.2 DHMM的语音识别方法 |
| 4.3 基于人工蜂群算法的码书设计 |
| 4.3.1 矢量量化 |
| 4.3.2 LBG算法 |
| 4.3.3 人工蜂群算法的码书设计 |
| 4.4 人工蜂群算法改进DHMM的语音识别实验 |
| 4.4.1 实验过程 |
| 4.4.2 实验建立 |
| 4.4.3 实验结果及分析 |
| 4.5 混沌时变人工蜂群算法改进DHMM的语音识别 |
| 4.5.1 混沌时变人工蜂群算法 |
| 4.5.2 混沌时变人工蜂群算法的码书设计 |
| 4.5.3 实验结果与分析 |
| 4.6 本章小结 |
| 第五章 人工蜂群算法优化模糊神经网络的语音识别方法 |
| 5.1 引言 |
| 5.2 模糊神经网络 |
| 5.2.1 人工神经网络 |
| 5.2.2 模糊逻辑系统 |
| 5.2.3 模糊神经网络 |
| 5.2.4 模糊神经网络的语音识别方法 |
| 5.3 人工蜂群算法优化模糊神经网络的学习算法 |
| 5.3.1 常见的模糊神经网络的学习方法 |
| 5.3.2 人工蜂群算法优化模糊神经网络的学习算法 |
| 5.4 人工蜂群算法优化模糊神经网络的语音识别实验 |
| 5.4.1 实验过程 |
| 5.4.2 实验环境与参数设置 |
| 5.4.3 实验结果与分析 |
| 5.5 排序分裂选择的人工蜂群算法优化模糊神经网络 |
| 5.5.1 人工蜂群算法的选择策略 |
| 5.5.2 排序分裂选择的人工蜂群算法 |
| 5.5.3 排序分裂选择的人工蜂群算法优化模糊神经网络 |
| 5.5.4 实验结果及分析 |
| 5.6 本章小结 |
| 第六章 人工蜂群算法优化SVM的语音识别方法 |
| 6.1 引言 |
| 6.2 支持向量机的语音识别原理 |
| 6.2.1 支持向量机的分类原理 |
| 6.2.2 支持向量机的语音识别方法 |
| 6.3 支持向量机的参数选择 |
| 6.3.1 核函数的选择 |
| 6.3.2 支持向量机参数的选择 |
| 6.4 人工蜂群算法优化SVM参数的语音识别方法 |
| 6.4.1 人工蜂群算法优化SVM参数 |
| 6.4.2 ABC优化SVM参数的语音识别 |
| 6.5 ABC优化SVM参数的语音识别实验 |
| 6.5.1 实验建立 |
| 6.5.2 实验结果及分析 |
| 6.6 本章小结 |
| 第七章 总结和展望 |
| 7.1 论文总结 |
| 7.2 工作展望 |
| 参考文献 |
| 致谢 |
| 攻读博士学位期间发表的论文 |
| 攻读博士学位期间科研情况 |
（7）矢量量化技术及其在超光谱图像中的应用研究（论文提纲范文）
| 摘要 |
| Abstract |
| 目录 |
| 缩略词 |
| 第一章 绪论 |
| 1.1 研究背景 |
| 1.2 课题研究现状 |
| 1.2.1 矢量量化码书设计算法的研究现状 |
| 1.2.2 矢量量化快速码字搜索算法研究现状 |
| 1.3 论文主要工作 |
| 1.4 论文结构 |
| 第二章 矢量量化相关理论 |
| 2.1 矢量量化的理论基础 |
| 2.2 矢量量化的定义 |
| 2.3 矢量量化性能评价 |
| 2.3.1 编码速率和比特率 |
| 2.3.2 失真测度 |
| 2.3.3 矢量量化性能衡量指标 |
| 2.3.4 复杂度 |
| 2.4 本章小结 |
| 第三章 矢量量化码书设计算法 |
| 3.1 矢量量化码书设计最优条件 |
| 3.2 LBG 经典码书设计算法 |
| 3.3 竞争学习算法(CL) |
| 3.4 改进的码书设计算法 |
| 3.4.1 矢量的构造 |
| 3.4.2 初始码书生成 |
| 3.4.3 快速排除码字 |
| 3.4.4 算法步骤 |
| 3.5 仿真实验 |
| 3.5.1 收敛性比较 |
| 3.5.2 计算复杂度比较 |
| 3.5.3 编码质量比较 |
| 3.6 本章小结 |
| 第四章 矢量量化码字快速搜索算法 |
| 4.1 快速码字搜索算法的基本条件 |
| 4.2 现有的码字快速搜索算法 |
| 4.2.1 部分失真搜索算法(PDS) |
| 4.2.2 基于哈达玛变换的快速码字搜索算法(HTS) |
| 4.2.3 等均值最近邻域搜索算法(ENNS) |
| 4.2.4 等均值等方差最近邻域搜索算法(EENNS) |
| 4.2.5 基于范数不等式的最近邻域搜索算法(EEENNS) |
| 4.2.6 基于子矢量的特征值快速搜索算法 |
| 4.3 改进的结合哈达玛变换与子矢量和值的码字快速搜索算法 |
| 4.3.1 码字排除准则 |
| 4.3.2 算法步骤 |
| 4.3.3 仿真实验 |
| 4.4 改进的基于哈达玛变换与子矢量特征值的码字快速搜索算法 |
| 4.4.1 码字排除准则 |
| 4.4.2 算法步骤 |
| 4.4.3 仿真实验 |
| 4.5 本章小结 |
| 第五章 矢量量化技术在超光谱图像压缩中的应用 |
| 5.1 超光谱图像信号特征 |
| 5.1.1 空间相关性 |
| 5.1.2 谱间相关性 |
| 5.2 超光谱图像的压缩方法 |
| 5.2.1 基于预测的压缩方法 |
| 5.2.2 基于变换的压缩方法 |
| 5.2.3 基于矢量量化的压缩方法 |
| 5.3 改进的基于矢量量化的超光谱图像压缩算法 |
| 5.3.1 初始化阶段 |
| 5.3.2 训练阶段 |
| 5.3.3 算法步骤 |
| 5.4 仿真实验 |
| 5.5 本章小结 |
| 第六章 结论 |
| 6.1 工作总结 |
| 6.2 发展展望 |
| 致谢 |
| 参考文献 |
| 附录 攻读硕士学位期间从事的科研工作及取得的研究成果 |
（8）图像编码中的矢量量化优化算法研究（论文提纲范文）
| 摘要 |
| Abstract |
| 第一章 绪论 |
| 1.1 课题的研究背景和意义 |
| 1.2 矢量量化技术的基本概念 |
| 1.2.1 矢量量化的定义 |
| 1.2.2 矢量量化概述 |
| 1.3 矢量量化技术的研究现状 |
| 1.3.1 码书设计算法 |
| 1.3.2 码字搜索算法 |
| 1.3.3 码字索引分配算法 |
| 1.4 本文的研究目标与主要内容 |
| 第二章 矢量量化技术基础 |
| 2.1 引言 |
| 2.2 压缩和量化的分类 |
| 2.2.1 压缩的分类 |
| 2.2.2 量化的分类 |
| 2.3 矢量量化技术的基本概念 |
| 2.3.1 矢量量化技术的基本原理 |
| 2.3.2 矢量量化技术的理论基础 |
| 2.3.3 矢量量化的编码速率和比特率 |
| 2.3.4 矢量量化的失真测度 |
| 2.3.5 均方误差、信噪比、峰值信噪比及主观性评测 |
| 2.3.6 矢量量化系统的复杂度 |
| 2.4 矢量量化过程中的关键技术 |
| 2.4.1 码书设计 |
| 2.4.2 码字搜索 |
| 2.4.3 码字索引分配 |
| 2.5 矢量量化系统的分类 |
| 2.6 本章小结 |
| 第三章 矢量量化码书的设计与优化 |
| 3.1 引言 |
| 3.2 矢量量化系统的最优条件 |
| 3.2.1 最近邻条件 |
| 3.2.2 质心条件 |
| 3.2.3 零概率边界条件 |
| 3.3 经典LBG 算法 |
| 3.3.1 初始码书设计算法 |
| 3.3.2 LBG 迭代算法 |
| 3.3.2.1 LBG 算法的步骤及流程图 |
| 3.3.2.2 LBG 算法存在的问题及解决方案 |
| 3.4 LBG 改进算法 |
| 3.4.1 分离平均算法 |
| 3.4.2 排序分离平均算法 |
| 3.4.3 基于排序分离平均算法的码书设计改进算法 |
| 3.5 各种码书设计算法的对比及仿真实验 |
| 3.6 本章小结 |
| 第四章 矢量量化码字搜索算法及优化 |
| 4.1 引言 |
| 4.2 全搜索算法 |
| 4.3 部分失真搜索算法 |
| 4.3.1 基本原理 |
| 4.3.2 算法步骤 |
| 4.4 基于绝对误差不等式的码字快速搜索算法 |
| 4.4.1 基本原理 |
| 4.4.2 算法步骤 |
| 4.5 基于三角不等式的码字快速搜索算法 |
| 4.5.1 基本原理 |
| 4.5.2 算法步骤 |
| 4.6 等均值最近邻搜索算法 |
| 4.6.1 基本原理 |
| 4.6.2 算法步骤 |
| 4.7 等均值等方差最近邻搜索算法 |
| 4.7.1 基本原理 |
| 4.7.2 算法步骤 |
| 4.8 基于子矢量特征的码字快速搜索算法 |
| 4.9 基于子矢量特征的码字搜索优化算法 |
| 4.9.1 基本原理 |
| 4.9.2 算法步骤 |
| 4.10 几种码字搜索算法的对比及仿真实验 |
| 4.11 本章小结 |
| 第五章 结论与展望 |
| 5.1 本文总结 |
| 5.2 未来工作展望 |
| 致谢 |
| 参考文献 |
| 附录：攻读硕士学位期间发表的论文 |
（9）量子粒子群算法研究及其在图像矢量量化码书设计中的应用（论文提纲范文）
| 摘要 |
| ABSTRACT |
| 第一章 绪论 |
| 1.1 课题的研究背景及意义 |
| 1.2 本文的主要研究内容 |
| 第二章 粒子群算法及量子粒子群算法 |
| 2.1 引言 |
| 2.2 粒子群算法 |
| 2.2.1 基本粒子群算法的原理 |
| 2.2.2 PSO 算法的基本流程 |
| 2.2.3 带惯性权重的粒子群算法 |
| 2.2.4 带收缩因子的粒子群算法 |
| 2.3 量子粒子群算法 |
| 2.3.1 QPSO 算法的原理 |
| 2.3.2 QPSO 算法的流程 |
| 2.3.3 算法的性能测试 |
| 2.4 本章小结 |
| 第三章 新型量子粒子群算法的研究 |
| 3.1 引言 |
| 3.2 实数编码量子进化算法RCQEA |
| 3.2.1 量子进化算法简介 |
| 3.2.2 RCQEA 的基本原理 |
| 3.2.3 RCQEA 算法流程 |
| 3.3 新型的量子粒子群算法 |
| 3.3.2 NQPSO 算法流程 |
| 3.3.3 算法的性能测试 |
| 3.4 应用NQPSO 求解0-1 背包问题 |
| 3.4.1 0-1 背包问题的描述 |
| 3.4.2 仿真结果及分析 |
| 3.5 本章小结 |
| 第四章 基于量子粒子群算法的矢量量化码书设计 |
| 4.1 矢量量化技术简介 |
| 4.1.1 矢量量化的基本原理 |
| 4.1.2 矢量量化的关键技术 |
| 4.1.3 矢量量化的性能评价标准 |
| 4.2 经典的LBG 码书设计算法 |
| 4.2.1 最优矢量量化的必要条件 |
| 4.2.2 LBG 算法的原理 |
| 4.3 改进的LBG 算法 |
| 4.3.1 改进的LBG 算法描述 |
| 4.3.2 改进的LBG 算法的性能测试 |
| 4.4 基于粒子群算法的矢量量化码书设计 |
| 4.4.1 基于粒子群的矢量量化码书设计算法的过程 |
| 4.4.2 算法的流程图 |
| 4.5 基于量子粒子群算法的矢量量化码书设计 |
| 4.5.1 基于量子粒子群的矢量量化码书设计算法的步骤 |
| 4.5.2 算法的流程图 |
| 4.5.3 仿真实验及结果分析 |
| 4.6 基于新型的量子粒子群算法的矢量量化码书设计 |
| 4.6.1 基于新型量子粒子群的矢量量化算法步骤 |
| 4.6.2 算法的流程图 |
| 4.6.3 仿真实验及结果分析 |
| 4.7 本章小结 |
| 第五章 总结与展望 |
| 5.1 课题研究总结 |
| 5.2 工作展望 |
| 致谢 |
| 参考文献 |
| 攻读硕士学位期间发表的论文 |
（10）粒子群优化矢量量化算法在DHMM语音识别中的应用（论文提纲范文）
| 摘要 |
| ABSTRACT |
| 第一章 绪论 |
| 1.1 课题研究背景 |
| 1.2 语音识别技术 |
| 1.2.1 语音识别技术国内外的研究现状 |
| 1.2.2 语音识别面临的困难 |
| 1.3 隐马尔可夫模型与粒子群优化算法 |
| 1.3.1 隐马尔可夫模型在语音识别中的应用 |
| 1.3.2 粒子群优化算法 |
| 1.4 本文研究内容及章节安排 |
| 第二章 语音识别的基本原理与技术 |
| 2.1 语音识别系统 |
| 2.2 语音信号预处理 |
| 2.2.1 信号的采样 |
| 2.2.2 预加重 |
| 2.2.3 加窗 |
| 2.2.4 端点检测 |
| 2.3 语音信号特征提取 |
| 2.3.1 Mel倒谱系数MFCC |
| 2.3.2 过零率与峰值幅度ZCPA |
| 2.4 小结 |
| 第三章 矢量量化和隐马尔可夫模型 |
| 3.1 矢量量化 |
| 3.1.1 矢量量化的基本原理 |
| 3.1.2 矢量量化LBG算法 |
| 3.1.3 初始码书的选取 |
| 3.1.4 空胞腔的处理 |
| 3.2 隐马尔可夫模型 |
| 3.2.1 隐马尔可夫模型的概念 |
| 3.2.2 隐马尔可夫模型的三个基本问题 |
| 3.2.3 隐马尔可夫模型用于语音识别 |
| 3.3 小结 |
| 第四章 粒子群优化矢量量化在DHMM语音识别中的应用 |
| 4.1 粒子群优化算法的概述 |
| 4.1.1 粒子群优化算法的发展 |
| 4.1.2 粒子群优化算法的基本原理 |
| 4.2 基于粒子群优化算法的码书设计 |
| 4.2.1 参数设计 |
| 4.2.2 基于PSO的码书设计算法的步骤 |
| 4.3 粒子群优化矢量量化算法用于孤立词语音识别的研究 |
| 4.3.1 实验过程分析 |
| 4.3.2 实验结果及讨论 |
| 4.4 小结 |
| 第五章 免疫粒子群优化矢量量化在DHMM语音识别中的应用 |
| 5.1 人工免疫算法的概述 |
| 5.1.1 人工免疫算法的发展 |
| 5.1.2 人工免疫系统 |
| 5.2 免疫粒子群算法 |
| 5.3 免疫粒子群算法的性能测试 |
| 5.4 基于免疫粒子群的码书设计 |
| 5.5 免疫粒子群优化矢量量化算法用于孤立词语音识别的研究 |
| 5.5.1 实验过程分析 |
| 5.5.2 实验结果及讨论 |
| 5.6 小结 |
| 第六章 总结与展望 |
| 6.1 总结 |
| 6.2 展望 |
| 参考文献 |
| 致谢 |
| 攻读学位期间发表的学术论文目录 |
四、一种改进的LBG快速算法（论文参考文献）
- [1]基于SOPC的声纹识别系统中声纹识别算法的研究与实现[D]. 王伟伟. 内蒙古大学, 2021(12)
- [2]用于图像压缩的矢量量化技术的研究[D]. 屈冰玉. 重庆邮电大学, 2017(04)
- [3]基于矢量量化的高光谱图像压缩技术研究[D]. 王一宁. 重庆邮电大学, 2017(04)
- [4]基于码本聚类优化的VQ说话人识别SOPC设计[D]. 李青龙. 齐齐哈尔大学, 2016(05)
- [5]基于矢量量化的高光谱遥感图像压缩[D]. 韩勇. 重庆邮电大学, 2014(01)
- [6]人工蜂群算法及其在语音识别中的应用研究[D]. 宁爱平. 太原理工大学, 2013(01)
- [7]矢量量化技术及其在超光谱图像中的应用研究[D]. 吴立彬. 重庆邮电大学, 2012(11)
- [8]图像编码中的矢量量化优化算法研究[D]. 杨威. 江南大学, 2012(07)
- [9]量子粒子群算法研究及其在图像矢量量化码书设计中的应用[D]. 李殷. 南京邮电大学, 2012(06)
- [10]粒子群优化矢量量化算法在DHMM语音识别中的应用[D]. 段薇. 太原理工大学, 2011(08)