| 摘要 | 第1-5页 |
| Abstract | 第5-10页 |
| 1 绪论 | 第10-18页 |
| 1．1 研究背景与现状 | 第10-11页 |
| 1．2 说话人识别的应用 | 第11页 |
| 1．3 说话人识别的基本原理 | 第11-16页 |
| 1．3．1 说话人识别的基本概念 | 第11-12页 |
| 1．3．2 说话人识别的分类 | 第12页 |
| 1．3．3 说话人识别的常用方法 | 第12-16页 |
| 1．4 说话人识别的难点 | 第16-17页 |
| 1．5 论文的结构安排 | 第17-18页 |
| 2 基础知识 | 第18-24页 |
| 2．1 语音信号的倒谱特征 | 第18-20页 |
| 2．2 语音信号的线性预测分析 | 第20-21页 |
| 2．3 独立分量分析的基本原理 | 第21-24页 |
| 3 说话人识别的特征提取技术 | 第24-42页 |
| 3．1 语音信号的预处理 | 第24页 |
| 3．2 线性预测倒谱系数(LPCC)特征提取 | 第24-25页 |
| 3．3 ACW特征提取 | 第25-27页 |
| 3．4 MFCC特征提取 | 第27-29页 |
| 3．5 基于加权 F比的MFCC特征提取 | 第29-31页 |
| 3．5．1 语音特征的评价 | 第29-30页 |
| 3．5．2 基于加权 F比的MFCC | 第30-31页 |
| 3．6 MFCC中加入能量信息和过渡信息 | 第31-33页 |
| 3．6．1 在 MFCC中加入归一化短时能量 | 第32页 |
| 3．6．2 语音信号过渡信息的提取 | 第32-33页 |
| 3．7 基于主分量分析提取特征的说话人识别 | 第33-37页 |
| 3．7．1 基于主分量分析的特征提取 | 第33-36页 |
| 3．7．2 基于主分量分析及 F比的说话人识别 | 第36-37页 |
| 3．8 基于独立分量分析的特征提取 | 第37-42页 |
| 3．8．1 独立分量分析的算法 | 第38-39页 |
| 3．8．2 独立特征抽取与说话人识别 | 第39-42页 |
| 4 基于高斯混合模型的说话人辨认 | 第42-51页 |
| 4．1 高斯混合模型的概念 | 第42-43页 |
| 4．2 EM算法 | 第43-48页 |
| 4．2．1 最大似然估计 | 第44-45页 |
| 4．2．2 EM算法原理 | 第45-46页 |
| 4．2．3 用 EM算法估计 GMM的参数 | 第46-48页 |
| 4．3 应用于说话人辨认的GMM系统 | 第48-51页 |
| 5 基于GMM的说话人辨认系统仿真实验及分析 | 第51-70页 |
| 5．1 仿真实验环境 | 第51页 |
| 5．1．1 硬件及软件条件 | 第51页 |
| 5．1．2 实验使用语音库 | 第51页 |
| 5．2 仿真实验及分析 | 第51-70页 |
| 5．2．1 系统基本识别性能研究 | 第51-54页 |
| 5．2．2 基于加权 F比的MFCC识别实验 | 第54-56页 |
| 5．2．3 基于 F比的含能量信息的MFCC识别实验 | 第56-58页 |
| 5．2．4 基于 F比的含过渡信息的MFCC识别实验 | 第58-62页 |
| 5．2．5 基于 F比的应用主分量分析提取特征的识别实验 | 第62-66页 |
| 5．2．6 基于 F比的应用独立分量分析提取特征的识别实验 | 第66-70页 |
| 结论 | 第70-71页 |
| 参考文献 | 第71-74页 |
| 攻读硕士学位期间发表学术论文情况 | 第74-75页 |
| 致谢 | 第75-76页 |
| 大连理工大学学位论文版权使用授权书 | 第76页 |
