第1章 簡(jiǎn)介 1.1 自動(dòng)語(yǔ)音識(shí)別：更好的溝通之橋 1.1.1 人類之間的交流 1.1.2 人機(jī)交流 1.2 語(yǔ)音識(shí)別系統(tǒng)的基本結(jié)構(gòu) 1.3 口語(yǔ)理解與人機(jī)對(duì)話系統(tǒng) 1.4 全書結(jié)構(gòu) 第Ⅰ部分 傳統(tǒng)聲學(xué)模型 第2章 混合高斯模型 2.1 隨機(jī)變量 2.2 高斯分布和混合高斯隨機(jī)變量 2.3 參數(shù)估計(jì) 2.4 采用混合高斯分布對(duì)語(yǔ)音特征建模 第3章 隱馬爾可夫模型及其變體 3.1 介紹 3.2 馬爾可夫鏈 3.3 序列與模型 3.3.1 隱馬爾可夫模型的性質(zhì) 3.3.2 隱馬爾可夫模型的仿真 3.3.3 隱馬爾可夫模型似然度的計(jì)算 3.3.4 計(jì)算似然度的高效算法 3.3.5 前向與后向遞歸式的證明 3.4 期望*大化算法及其在學(xué)習(xí)HMM參數(shù)中的應(yīng)用 3.4.1 期望*大化算法介紹 3.4.2 使用EM算法來學(xué)習(xí)HMM參數(shù)——Baum-Welch算法 3.5 用于解碼HMM狀態(tài)序列的維特比算法 3.5.1 動(dòng)態(tài)規(guī)劃和維特比算法 3.5.2 用于解碼HMM狀態(tài)的動(dòng)態(tài)規(guī)劃算法 3.6 隱馬爾可夫模型和生成語(yǔ)音識(shí)別模型的變體 3.6.1 用于語(yǔ)音識(shí)別的GMM-HMM模型 3.6.2 基于軌跡和隱藏動(dòng)態(tài)模型的語(yǔ)音建模和識(shí)別 3.6.3 使用生成模型HMM及其變體解決語(yǔ)音識(shí)別問題 第Ⅱ部分 深層神經(jīng)網(wǎng)絡(luò)在語(yǔ)音識(shí)別中的應(yīng)用及分析 第4章 全連接深層神經(jīng)網(wǎng)絡(luò) 4.1 全連接深層神經(jīng)網(wǎng)絡(luò)框架 4.2 使用誤差反向傳播進(jìn)行參數(shù)訓(xùn)練 4.2.1 訓(xùn)練準(zhǔn)則 4.2.2 訓(xùn)練算法 4.3 實(shí)際應(yīng)用 4.3.1 數(shù)據(jù)預(yù)處理 4.3.2 模型初始化 4.3.3 權(quán)重衰減 4.3.4 丟棄法 4.3.5 批規(guī)范化 …… 第Ⅲ部分 先進(jìn)深度學(xué)習(xí)模型在語(yǔ)音識(shí)別中的應(yīng)用 第Ⅳ部分 高級(jí)語(yǔ)音識(shí)別方法 第Ⅴ部分 復(fù)雜場(chǎng)景下的語(yǔ)音識(shí)別 第Ⅵ部分 口語(yǔ)理解及對(duì)話系統(tǒng)的深度學(xué)習(xí)實(shí)踐 第Ⅶ部分 總結(jié)及展望 縮略詞表 作者簡(jiǎn)介 參考文獻(xiàn)