| 摘要 | 第5-7页 |
| ABSTRACT | 第7-8页 |
| 常用数学符号 | 第9-13页 |
| 第1章 绪论 | 第13-21页 |
| 1.1 语种识别简介 | 第13-16页 |
| 1.1.1 语种识别研究背景及意义 | 第13-14页 |
| 1.1.2 语种识别研究概况 | 第14-16页 |
| 1.2 i-vector空间下的语种识别 | 第16-17页 |
| 1.3 采用的数据集和性能评测指标 | 第17-18页 |
| 1.3.1 NIST LRE2009易混6语种测试集 | 第17页 |
| 1.3.2 语种识别性能评测指标 | 第17-18页 |
| 1.4 主要研究内容及章节安排 | 第18-21页 |
| 第2章 基于DBN-UBM-DBF系统的i-vector提取 | 第21-35页 |
| 2.1 经典TV建模 | 第21-24页 |
| 2.1.1 GMM-UBM模型 | 第21-23页 |
| 2.1.2 概率模型下的i-vector提取 | 第23-24页 |
| 2.2 基于DBN-UBM-DBF系统的TV建模 | 第24-28页 |
| 2.2.1 DBF特征 | 第24-25页 |
| 2.2.2 DBN-UBM模型 | 第25-26页 |
| 2.2.3 基于DBN-UBM-DBF系统提取i-vector的主要步骤 | 第26-28页 |
| 2.3 i-Vector在基线系统中的应用 | 第28-30页 |
| 2.3.1 噪声补偿 | 第28-29页 |
| 2.3.2 基线系统搭建 | 第29-30页 |
| 2.4 实验和分析 | 第30-33页 |
| 2.4.1 参数配置 | 第30页 |
| 2.4.2 基线系统性能分析 | 第30-33页 |
| 2.5 本章小结 | 第33-35页 |
| 第3章 i-vector空间下的主流语种识别方法 | 第35-49页 |
| 3.1 主流后端方法分类 | 第35-36页 |
| 3.2 判别式分类模型 | 第36-41页 |
| 3.2.1 距离判别CDS | 第36-37页 |
| 3.2.2 分类超平面判别Logistic回归 | 第37-38页 |
| 3.2.3 分类超平面判别SVM | 第38-40页 |
| 3.2.4 SR分类器 | 第40-41页 |
| 3.3 生成式分类模型 | 第41-44页 |
| 3.3.1 高斯后端模型GB | 第41-43页 |
| 3.3.2 概率线性判别分析PLDA | 第43-44页 |
| 3.4 实验和分析 | 第44-48页 |
| 3.4.1 L2LR和SVM中惩罚系数的确定 | 第45-46页 |
| 3.4.2 SRC中字典构造方式 | 第46-47页 |
| 3.4.3 主流后端LR方法性能分析 | 第47-48页 |
| 3.5 本章小结 | 第48-49页 |
| 第4章 基于语种类内方差先验的加权余弦距离得分算法 | 第49-55页 |
| 4.1 CDS存在问题 | 第49页 |
| 4.2 引入语种类内方差先验的改进CDS | 第49-50页 |
| 4.3 类内方差的加权处理 | 第50-51页 |
| 4.4 实验和分析 | 第51-53页 |
| 4.4.1 类内协方差阶次确定 | 第52-53页 |
| 4.4.2 改进算法实验性能 | 第53页 |
| 4.5 本章小结 | 第53-55页 |
| 第5章 基于LDOF准则的自适应高斯后端语种识别方法 | 第55-67页 |
| 5.1 自适应高斯后端语种识别方法 | 第55-57页 |
| 5.1.1 自适应高斯后端 | 第55-56页 |
| 5.1.2 AGB模型下的测试样本得分计算 | 第56-57页 |
| 5.2 基于k近邻AGB语种识别方法 | 第57-58页 |
| 5.3 基于LDOF准则的AGB语种识别方法 | 第58-61页 |
| 5.3.1 LDOF准则 | 第58-60页 |
| 5.3.2 LDOF准则下的AGB语种识别算法的实现 | 第60-61页 |
| 5.4 实验和分析 | 第61-65页 |
| 5.4.1 KNN-AGB性能分析 | 第62-63页 |
| 5.4.2 LDOF-AGB有效性分析 | 第63-64页 |
| 5.4.3 改进算法实验性能 | 第64-65页 |
| 5.5 本章小结 | 第65-67页 |
| 第6章 总结与展望 | 第67-69页 |
| 6.1 全文内容总结 | 第67-68页 |
| 6.2 研究展望 | 第68-69页 |
| 参考文献 | 第69-75页 |
| 致谢 | 第75-77页 |
| 在读期间发表的学术论文与取得的其他研究成果 | 第77页 |
