基于最小二乘支持向量机的分级说话人识别系统研究
| 中文摘要 | 第1页 |
| 英文摘要 | 第4-7页 |
| 第一章 绪论 | 第7-14页 |
| ·说话人识别的研究背景及意义 | 第7-8页 |
| ·说话人识别方法 | 第8-10页 |
| ·特征提取 | 第8-9页 |
| ·识别方法 | 第9-10页 |
| ·说话人识别的优势及其应用前景 | 第10-12页 |
| ·说话人识别当前存在的问题 | 第12页 |
| ·论文内容安排 | 第12-14页 |
| 第二章 语音信号预处理及特征提取 | 第14-21页 |
| ·语音信号预处理 | 第14-16页 |
| ·语音信号特征提取 | 第16-20页 |
| ·线性预测系数LPC | 第16-17页 |
| ·线性预测倒谱系数LPCC | 第17-18页 |
| ·美尔频率倒谱系数MFCC | 第18-20页 |
| ·MFCC 与 LPCC 的比较 | 第20页 |
| ·本章小结 | 第20-21页 |
| 第三章 噪声环境下提高系统鲁棒性方法 | 第21-32页 |
| ·语音增强 | 第21-25页 |
| ·谱减法 | 第22-23页 |
| ·维纳滤波 | 第23-24页 |
| ·基于最小均方误差（MMSE）的语音增强 | 第24-25页 |
| ·特征空间的稳健特征 | 第25-27页 |
| ·Delta 特征 | 第25-26页 |
| ·2 二次特征提取 | 第26-27页 |
| ·特征空间的特征补偿 | 第27-28页 |
| ·倒谱均值归一化(CMN) | 第27页 |
| ·RASTA | 第27-28页 |
| ·仿真实验 | 第28-30页 |
| ·本文采用的抗噪模型 | 第30-31页 |
| ·本章小结 | 第31-32页 |
| 第四章 说话人识别方法 | 第32-53页 |
| ·主成分分析（PCA） | 第32-40页 |
| ·主成分分析基本原理 | 第32-34页 |
| ·基于 PCA 的特征降维 | 第34-35页 |
| ·基于 PCA 的分类器 | 第35-39页 |
| ·PCS 分类器 | 第36-37页 |
| ·TES 分类器 | 第37-38页 |
| ·P&T 分类器 | 第38-39页 |
| ·PCA 分类器的分类性能 | 第39-40页 |
| ·基于支持向量机的说话人识别 | 第40-51页 |
| ·统计学习理论 | 第40-42页 |
| ·VC 维 | 第41页 |
| ·推广性的界 | 第41-42页 |
| ·结构风险最小化 | 第42页 |
| ·支持向量机 | 第42-46页 |
| ·最优分类面 | 第43-45页 |
| ·核函数支持向量机 | 第45-46页 |
| ·最小二乘支持向量机（LS-SVM） | 第46-48页 |
| ·支持向量机在说话人识别中的应用 | 第48-51页 |
| ·码本的设计 | 第48-49页 |
| ·LS-SVM 多类分类方法 | 第49-51页 |
| ·本章小结 | 第51-53页 |
| 第五章 说话人识别系统实现 | 第53-63页 |
| ·系统实现原理 | 第53-55页 |
| ·特征提取 | 第55-56页 |
| ·线性预测倒谱系数的提取实现 | 第55-56页 |
| ·美尔频率倒谱系数的提取过程 | 第56页 |
| ·纯净语音环境下的仿真实验 | 第56-59页 |
| ·系统鲁棒性测试实验 | 第59-62页 |
| ·不同的特征参数下的实验 | 第59-60页 |
| ·不同的初级分类人数实验 | 第60-61页 |
| ·不同噪声下的系统识别性能实验 | 第61-62页 |
| ·本章小结 | 第62-63页 |
| 第六章 总结与展望 | 第63-65页 |
| 参考文献 | 第65-69页 |
| 致谢 | 第69-70页 |
| 在学期间发表的学术论文和参加科研情况 | 第70页 |
