基于深度学习的说话人识别系统
| 摘要 | 第3-4页 |
| ABSTRACT | 第4页 |
| 第一章 绪论 | 第7-11页 |
| 1.1 研究背景 | 第7-8页 |
| 1.2 发展及现状 | 第8-9页 |
| 1.2.1 说话人识别发展现状 | 第8页 |
| 1.2.2 说话人识别中深度学习的发展状况 | 第8-9页 |
| 1.3 本文的主要工作和创新点 | 第9-11页 |
| 第二章 说话人识别基础知识 | 第11-17页 |
| 2.1 语音研究任务 | 第11-12页 |
| 2.2 发声系统及数学模型 | 第12-13页 |
| 2.3 声学模型与语言模型 | 第13-14页 |
| 2.4 WAV文件格式 | 第14-17页 |
| 第三章 说话人识别系统构成 | 第17-41页 |
| 3.1 预处理 | 第17-20页 |
| 3.1.1 信号采样 | 第17页 |
| 3.1.2 预加重 | 第17-18页 |
| 3.1.3 分帧和加窗 | 第18-19页 |
| 3.1.4 快速傅立叶变换 | 第19-20页 |
| 3.2 端点检测 | 第20-23页 |
| 3.2.1 基于短时能量的端点检测 | 第20页 |
| 3.2.2 谱熵端点检测算法及实现 | 第20-22页 |
| 3.2.3 实验结果对比分析 | 第22-23页 |
| 3.3 特征提取 | 第23-28页 |
| 3.3.1 梅尔频率倒谱系数 | 第23-27页 |
| 3.3.2 超向量 | 第27-28页 |
| 3.3.3 embedding | 第28页 |
| 3.4 说话人模型 | 第28-35页 |
| 3.4.1 GMM-UBM | 第28-32页 |
| 3.4.2 JFA | 第32-33页 |
| 3.4.3 i-vector | 第33-35页 |
| 3.5 说话人决策 | 第35-37页 |
| 3.5.1 支持向量机 | 第35页 |
| 3.5.2 概率形式的线性判别分析 | 第35-36页 |
| 3.5.3 余弦相似度 | 第36-37页 |
| 3.6 衡量指标 | 第37-41页 |
| 3.6.1 ROC与AUC | 第37-38页 |
| 3.6.2 DET与EER | 第38-41页 |
| 第四章 深度学习在说话人识别中的应用 | 第41-45页 |
| 4.1 发展情况 | 第41-42页 |
| 4.2 深度学习在说话人识别中的应用 | 第42-45页 |
| 4.2.1 d-vector | 第42页 |
| 4.2.2 端到端的系统 | 第42-43页 |
| 4.2.3 时延神经网络 | 第43-45页 |
| 第五章 系统实现与实验 | 第45-59页 |
| 5.1 模型设计与实现 | 第45-47页 |
| 5.1.1 实验环境 | 第45页 |
| 5.1.2 网络结构 | 第45-47页 |
| 5.2 实验数据 | 第47-48页 |
| 5.3 训练过程 | 第48-50页 |
| 5.4 注册和测试过程 | 第50页 |
| 5.5 模型确定 | 第50-56页 |
| 5.5.1 节点数及层数选取 | 第50-53页 |
| 5.5.2 学习率选取 | 第53-54页 |
| 5.5.3 拼接帧长度选取 | 第54-55页 |
| 5.5.4 提取特征的位置选取 | 第55-56页 |
| 5.6 实验对比 | 第56-58页 |
| 5.7 实验结论 | 第58-59页 |
| 第六章 总结与展望 | 第59-61页 |
| 参考文献 | 第61-65页 |
| 攻读学位期间取得的研究成果 | 第65-67页 |
| 致谢 | 第67-68页 |
