| 摘要 | 第1-4页 |
| ABSTRACT | 第4-8页 |
| 第一章 绪论 | 第8-14页 |
| ·说话人识别概述 | 第8-9页 |
| ·说话人识别技术综述 | 第8-9页 |
| ·说话人识别的应用 | 第9页 |
| ·说话人识别鲁棒性研究发展及国内外研究现状 | 第9-10页 |
| ·影响说话人识别性能的因素 | 第10-12页 |
| ·本文所做的工作和创新 | 第12-13页 |
| ·本文的组织 | 第13-14页 |
| 第二章 说话人识别主要模型方法比较与分析 | 第14-19页 |
| ·概率统计方法 | 第14-15页 |
| ·隐马尔可夫模型(HMM) | 第15页 |
| ·高斯混合模型(GMM) | 第15页 |
| ·模板匹配法 | 第15-17页 |
| ·动态时间规整(DTW)方法 | 第16页 |
| ·矢量量化(VQ)方法 | 第16-17页 |
| ·辨别分类器方法 | 第17页 |
| ·人工神经网络(ANN)方法 | 第17页 |
| ·支持向量机(SVM)方法 | 第17页 |
| ·混合方法 | 第17-19页 |
| 第三章 提高说话人识别鲁棒性的主要途径 | 第19-30页 |
| ·语音鲁棒特征抽取 | 第20-21页 |
| ·语音增强技术 | 第21-23页 |
| ·噪声的模型补偿 | 第23-26页 |
| ·语音丢包补偿 | 第26-30页 |
| ·基于发端的修复技术 | 第26-27页 |
| ·基于收端的掩盖修复技术 | 第27-30页 |
| 第四章 基于丢包补偿和GMM-DM的说话人识别鲁棒性研究 | 第30-42页 |
| ·高斯混合模型GMM | 第31-37页 |
| ·GMM模型与实现 | 第31-35页 |
| ·GMM的机理与不足 | 第35-37页 |
| ·丢失数据的补偿方法 | 第37-38页 |
| ·GMM-DM识别算法 | 第38-39页 |
| ·实验结果与分析 | 第39-41页 |
| ·小结 | 第41-42页 |
| 第五章 基于子带技术的说话人识别鲁棒性研究 | 第42-51页 |
| ·说话人语音信号的子带识别 | 第43-46页 |
| ·子带划分 | 第44-45页 |
| ·子带MFCC的鲁棒性 | 第45页 |
| ·子带的概率结合 | 第45-46页 |
| ·子带的特征结和 | 第46页 |
| ·基于能量分布和GMM-DM的子带融合 | 第46-48页 |
| ·噪声能量分布 | 第46-47页 |
| ·DM距离 | 第47页 |
| ·基于噪声能量分布的子带GMM-DM | 第47-48页 |
| ·实验结果与分析 | 第48-49页 |
| ·在白噪声中的实验 | 第48-49页 |
| ·在真实噪声中的实验 | 第49页 |
| ·小结 | 第49-51页 |
| 第六章 总结和期望 | 第51-54页 |
| ·论文及研究工作总结 | 第51-52页 |
| ·不足之处以及进一步研究方向 | 第52-54页 |
| 参考文献 | 第54-59页 |
| 致谢 | 第59-60页 |
| 攻读学位期间主要的研究成果 | 第60页 |