基于电话信道的声纹识别算法研究
| 摘要 | 第1-4页 |
| Abstract | 第4-9页 |
| 1 绪论 | 第9-17页 |
| ·声纹识别的背景及意义 | 第9-10页 |
| ·声纹识别的基本原理 | 第10-11页 |
| ·声纹识别的概念 | 第10-11页 |
| ·声纹识别的分类 | 第11页 |
| ·声纹识别的发展历史和国内外研究现状 | 第11-14页 |
| ·论文的工作内容 | 第14页 |
| ·本文结构安排 | 第14-17页 |
| 2 声纹识别中特征参数的提取 | 第17-33页 |
| ·语音信号的时域分析 | 第17-20页 |
| ·短时平均过零率 | 第17-18页 |
| ·短时能量与幅度分析 | 第18-19页 |
| ·短时自相关分析 | 第19-20页 |
| ·倒谱与复倒谱 | 第20-25页 |
| ·线性预测倒谱参数(LPCC) | 第20-23页 |
| ·梅尔倒谱参数(MFCC) | 第23-24页 |
| ·差分倒谱参数 | 第24-25页 |
| ·线性梅尔倒谱参数(MFCC-LPC) | 第25页 |
| ·声门信息融合 | 第25-28页 |
| ·基音周期的提取 | 第25-26页 |
| ·声门特征对信道的补偿 | 第26-28页 |
| ·静动态特征组合对比实验结果 | 第28-31页 |
| ·在理想环境下的特征组合实验 | 第28-30页 |
| ·在不同信道下的特征组合实验 | 第30-31页 |
| ·小结 | 第31-33页 |
| 3 语音信号中的预处理 | 第33-57页 |
| ·噪声的分类及来源 | 第33-34页 |
| ·传统的语音去噪算法 | 第34-40页 |
| ·谱相减法 | 第34-35页 |
| ·自适应滤波法 | 第35-36页 |
| ·小波变换法 | 第36-38页 |
| ·各种传统语音去噪算法的比较 | 第38-40页 |
| ·基于独立分量分析的语音去噪基本知识 | 第40-44页 |
| ·ICA的数学模型及约束条件 | 第40-41页 |
| ·ICA中的基础理论 | 第41-43页 |
| ·ICA的工作原理 | 第43页 |
| ·ICA中语音信号的预处理 | 第43-44页 |
| ·ICA的算法研究 | 第44-50页 |
| ·基于负熵最大的fastICA算法 | 第44-47页 |
| ·基于峭度最大的fastICA | 第47-48页 |
| ·基于负熵的fastICA算法改进 | 第48-49页 |
| ·基于负熵fastICA的改进算法去噪实验结果 | 第49-50页 |
| ·端点检测算法 | 第50-54页 |
| ·传统的双门限端点检测 | 第51-53页 |
| ·改进的双门限端点检测 | 第53页 |
| ·实验结果 | 第53-54页 |
| ·小结 | 第54-57页 |
| 4 声纹识别模型 | 第57-71页 |
| ·基于VQ模型的声纹识别系统 | 第57-59页 |
| ·VQ的基本原理 | 第57-58页 |
| ·LBG算法 | 第58页 |
| ·初始码本的选定 | 第58-59页 |
| ·训练与识别系统 | 第59页 |
| ·基于高斯混合模型(GMM)的声纹识别系统 | 第59-65页 |
| ·GMM的模型描述 | 第60-61页 |
| ·GMM的参数估计 | 第61-64页 |
| ·GMM模型的识别 | 第64-65页 |
| ·基于GMM-UBM的声纹识别系统 | 第65-67页 |
| ·MAP自适应算法 | 第66-67页 |
| ·识别 | 第67页 |
| ·不同识别模型的实验比较 | 第67-70页 |
| ·小结 | 第70-71页 |
| 5 系统实现框架 | 第71-79页 |
| ·系统基本结构 | 第71-72页 |
| ·实验平台 | 第72-73页 |
| ·软件参数 | 第72-73页 |
| ·硬件系统示意图 | 第73页 |
| ·语音库 | 第73页 |
| ·声纹识别系统软件界面 | 第73-76页 |
| ·在噪声环境下的声纹识别实验 | 第76-77页 |
| ·总结 | 第77-79页 |
| 6 总结与展望 | 第79-81页 |
| ·总结 | 第79页 |
| ·展望 | 第79-81页 |
| 致谢 | 第81-83页 |
| 参考文献 | 第83-87页 |
