| 第1章 绪论 | 第1-11页 |
| 1．1 说话人识别概况 | 第6-7页 |
| 1．2 国内外发展现状 | 第7-8页 |
| 1．3 本文研究的意义 | 第8-9页 |
| 1．4 本文内容安排 | 第9-11页 |
| 第2章 说话人识别系统概述 | 第11-24页 |
| 2．1 语音信号预处理 | 第11-12页 |
| 2．2 特征提取 | 第12-18页 |
| 2．2．1 典型的几类特征参数 | 第12-15页 |
| 2．2．2 特征参数选择准则 | 第15-16页 |
| 2．2．3 特征向量的常用压缩方法 | 第16-18页 |
| 2．3 说话人识别的主要方法 | 第18-23页 |
| 2．3．1 基于模板模型的方法 | 第18-20页 |
| 2．3．2 基于随机模型的方法 | 第20-21页 |
| 2．3．3 基于人工神经网络的方法 | 第21-22页 |
| 2．3．4 基于支持向量机的方法 | 第22-23页 |
| 2．4 本章小结 | 第23-24页 |
| 第3章 基于矢量量化的说话人识别 | 第24-32页 |
| 3．1 引言 | 第24页 |
| 3．2 特征提取 | 第24-25页 |
| 3．3 基于 VQ的说话人识别算法 | 第25-29页 |
| 3．3．1 VQ说话人识别算法原理 | 第25-26页 |
| 3．3．2 矢量量化 | 第26-27页 |
| 3．3．3 判决距离测度的估计 | 第27-29页 |
| 3．4 VQ建模分析及改进 | 第29-31页 |
| 3．5 本章小结 | 第31-32页 |
| 第4章 基于隐马尔可夫模型的说话人识别 | 第32-46页 |
| 4．1 隐马尔可夫模型 | 第32-38页 |
| 4．1．1 基本概念 | 第32-33页 |
| 4．1．2 HMM的种类 | 第33-34页 |
| 4．1．3 经典问题 | 第34-37页 |
| 4．1．4 HMM的固有不足与解决办法 | 第37-38页 |
| 4．2 比例因子 | 第38-39页 |
| 4．3 说话人识别系统的性能评价 | 第39-41页 |
| 4．3．1 评价指标 | 第39页 |
| 4．3．2 实际使用要求 | 第39-41页 |
| 4．4 识别方法 | 第41-42页 |
| 4．5 基于 HMM的说话人识别建模 | 第42-45页 |
| 4．5．1 各种建模方式 | 第42-43页 |
| 4．5．2 说话人识别建模方法 | 第43-45页 |
| 4．6 本章小结 | 第45-46页 |
| 第5章 基于 FVQ/HMM的说话人自适应识别 | 第46-56页 |
| 5．1 基于 VQ-HMM的说话人自适应识别 | 第46-48页 |
| 5．1．1 VQ-HMM算法 | 第46-47页 |
| 5．1．2 说话人自适应算法 | 第47-48页 |
| 5．2 模糊矢量量化(FVQ) | 第48-49页 |
| 5．3 基于 FVQ/HMM的说话人自适应识别 | 第49-53页 |
| 5．3．1 引言 | 第49-50页 |
| 5．3．2 利用分段模糊聚类算法的 FVQ/HMM参数估计 | 第50-52页 |
| 5．3．3 基于 FVQ的说话人识别自适应算法 | 第52-53页 |
| 5．4 实验结果 | 第53-55页 |
| 5．4．1 语音数据和分析方法 | 第53页 |
| 5．4．2 自适应实验和结果 | 第53-55页 |
| 5．5 本章小结 | 第55-56页 |
| 第6章 总结与展望 | 第56-57页 |
| 参考文献 | 第57-59页 |
| 致谢 | 第59-60页 |
| 攻读硕士学位期间发表的论文 | 第60页 |