| 摘要 | 第6-7页 |
| Abstract | 第7-8页 |
| 第1章 绪论 | 第14-22页 |
| 1.1 课题研究背景和意义 | 第14-15页 |
| 1.2 国内外研究现状及发展趋势 | 第15-17页 |
| 1.2.1 多智能体发展历史与现状 | 第15-16页 |
| 1.2.2 信息融合的发展历史与现状 | 第16页 |
| 1.2.3 多智能体信息融合技术存在的不足及发展趋势 | 第16-17页 |
| 1.3 GPU与CUDA平台 | 第17-19页 |
| 1.4 本文主要内容和结构安排 | 第19-20页 |
| 1.4.1 论文主要研究内容 | 第19页 |
| 1.4.2 论文结构安排 | 第19-20页 |
| 1.5 本章小结 | 第20-22页 |
| 第2章 基于多智能体的信息融合模型 | 第22-28页 |
| 2.1 单智能体体系结构 | 第22-25页 |
| 2.1.1 慎思智能体模型 | 第22-23页 |
| 2.1.2 反应智能体模型 | 第23-24页 |
| 2.1.3 混合智能体模型 | 第24页 |
| 2.1.4 新型智能体模型 | 第24-25页 |
| 2.2 MAS体系结构 | 第25-26页 |
| 2.3 基于多智能体的信息融合模型 | 第26-27页 |
| 2.3.1 功能分布性 | 第26页 |
| 2.3.2 时间分布性 | 第26页 |
| 2.3.3 空间分布性 | 第26-27页 |
| 2.3.4 基于多智能体的信息融合 | 第27页 |
| 2.4 本章小结 | 第27-28页 |
| 第3章 音频识别智能体与视频识别智能体 | 第28-48页 |
| 3.1 音频识别智能体 | 第28-42页 |
| 3.1.1 语音信号的预处理 | 第28-32页 |
| 3.1.2 语音信号的特征提取 | 第32-36页 |
| 3.1.3 基于深度信念网络的声纹辨别方法 | 第36-39页 |
| 3.1.4 运用CUDA优化DBN模型 | 第39-42页 |
| 3.2 视频识别智能体 | 第42-47页 |
| 3.2.1 基于卷积神经网络CNN的图像识别模型 | 第43页 |
| 3.2.2 视频时间域识别常用方法 | 第43-47页 |
| 3.3 本章小结 | 第47-48页 |
| 第4章 基于多智能体信息融合的说话人识别应用 | 第48-58页 |
| 4.1 信息融合的级别 | 第48-49页 |
| 4.1.1 数据级信息融合 | 第48页 |
| 4.1.2 特征级信息融合 | 第48-49页 |
| 4.1.3 决策级信息融合 | 第49页 |
| 4.2 基于典型相关分析(CCA)的信息融合方法 | 第49-51页 |
| 4.3 基于核典型相关分析(KCCA)的信息融合方法 | 第51-53页 |
| 4.4 基于多智能体的KCCA信息融合说话人识别模型 | 第53-57页 |
| 4.4.1 基于多智能体的KCCA信息融合说话人识别系统概述 | 第53页 |
| 4.4.2 基于多智能体的KCCA信息融合说话人识别系统结构设计 | 第53-56页 |
| 4.4.3 基于多智能体的KCCA融合方法的说话人识别系统实现 | 第56-57页 |
| 4.5 本章小结 | 第57-58页 |
| 第5章 实验与分析 | 第58-66页 |
| 5.1 音频识别智能体的实验 | 第58-62页 |
| 5.1.1 实验环境和测评标准 | 第58-59页 |
| 5.1.2 实验分析 | 第59-62页 |
| 5.2 视频识别智能体实验 | 第62-63页 |
| 5.2.1 实验环境和测评标准 | 第62页 |
| 5.2.2 实验分析 | 第62-63页 |
| 5.3 基于多智能体的KCCA信息融合说话人识别模型实验 | 第63-65页 |
| 5.3.1 数据来源与实验环境 | 第63-64页 |
| 5.3.2 实验分析 | 第64-65页 |
| 5.4 本章小结 | 第65-66页 |
| 总结与展望 | 第66-68页 |
| 参考文献 | 第68-72页 |
| 攻读硕士学位期间发表的学术成果 | 第72-74页 |
| 致谢 | 第74页 |
