| 摘要 | 第1-7页 |
| ABSTRACT | 第7-12页 |
| 第一章 绪论 | 第12-41页 |
| ·引言 | 第12-21页 |
| ·选题与研究意义 | 第12-14页 |
| ·说话人识别概述 | 第14-21页 |
| ·说话人识别原理 | 第21-32页 |
| ·说话人的语音参量 | 第22页 |
| ·特征类型的优选准则 | 第22-23页 |
| ·说话人识别的历史 | 第23-24页 |
| ·国内外研究动态 | 第24-25页 |
| ·说话人识别存在的一些问题 | 第25-26页 |
| ·噪声环境 | 第26-27页 |
| ·LPC 的基本原理 | 第27-31页 |
| ·美尔倒谱系数MFCC | 第31-32页 |
| ·噪音下的语音检测与噪声消减 | 第32-38页 |
| ·噪音条件下的语音检测 | 第33页 |
| ·噪声消减技术比较 | 第33-34页 |
| ·谱相减算法与误差补偿 | 第34-38页 |
| ·本文主要工作和内容安排 | 第38-41页 |
| ·本文主要工作 | 第38页 |
| ·本文的内容安排 | 第38-41页 |
| 第二章 基于DWT-TEO 的说话人识别 | 第41-55页 |
| ·引言 | 第41-43页 |
| ·小波变换在语音信号处理中的应用 | 第42-43页 |
| ·小波去噪 | 第43-44页 |
| ·小波变换的反演及对基本小波的要求 | 第43-44页 |
| ·小波变换的噪声处理 | 第44页 |
| ·TEAGER 能量算子 | 第44-48页 |
| ·Teager 能量算子对噪声的影响 | 第47-48页 |
| ·基于DWT-TEO 的说话人识别 | 第48-51页 |
| ·离散小波变换 | 第48-49页 |
| ·TEO | 第49-50页 |
| ·小波去噪 | 第50页 |
| ·正交高斯混合模型模型（OGMM） | 第50-51页 |
| ·实验及结果 | 第51-54页 |
| ·结论 | 第54页 |
| ·本章小结 | 第54-55页 |
| 第三章 用于说话人识别的KLT | 第55-70页 |
| ·引言 | 第55-59页 |
| ·KLT 变换 | 第56-59页 |
| ·用于说话人辨认的基于重叠子帧的有效KLT | 第59-63页 |
| ·说话人特征提取 | 第59-61页 |
| ·改进的MCE 模型 | 第61-62页 |
| ·试验结果 | 第62-63页 |
| ·结论 | 第63页 |
| ·基于说话人辨认的新的语音去噪方法 | 第63-69页 |
| ·小波去噪原理 | 第64页 |
| ·自适应KLT 算法 | 第64-67页 |
| ·基于DWT 和KLT 的去噪方法 | 第67页 |
| ·试验结果 | 第67-68页 |
| ·总结 | 第68-69页 |
| ·本章小结 | 第69-70页 |
| 第四章 针对说话人识别的加权自适应小波去噪 | 第70-83页 |
| ·引言 | 第70页 |
| ·自适应滤波 | 第70-73页 |
| ·最佳滤波准则 | 第71-72页 |
| ·LMS 自适应算法 | 第72页 |
| ·LMS 算法的性能 | 第72-73页 |
| ·多分辨分析与MALLAT 算法 | 第73-77页 |
| ·Mallat 算法的信号分解过程 | 第74-76页 |
| ·Mallat 算法的信号重建过程 | 第76-77页 |
| ·自适应小波去噪 | 第77-78页 |
| ·针对说话人识别进行的加权小波去噪方法 | 第78-82页 |
| ·离散小波变换自适应消噪系统 | 第79-80页 |
| ·高斯混合模型（GMM）模型 | 第80-81页 |
| ·实验 | 第81-82页 |
| ·结论 | 第82页 |
| ·本章小结 | 第82-83页 |
| 第五章 基于说话人识别的GMM/GA 算法 | 第83-97页 |
| ·引言 | 第83页 |
| ·隐马尔可夫模型（HMM） | 第83-88页 |
| ·第一个问题的求解 | 第85-86页 |
| ·第二个问题的求解 | 第86-87页 |
| ·第三个问题的求解 | 第87-88页 |
| ·隐马尔可夫模型在说话人识别中的应用 | 第88-90页 |
| ·高斯混合模型（GMM）模型 | 第90-92页 |
| ·EM 算法 | 第90-91页 |
| ·GMM 辨认算法 | 第91页 |
| ·GMM 确认算法 | 第91-92页 |
| ·最大似然参数估计 | 第92-93页 |
| ·GMM/GA 新算法 | 第93-95页 |
| ·人口初始化 | 第93-94页 |
| ·适应值 | 第94页 |
| ·基因运算 | 第94-95页 |
| ·试验结果 | 第95-96页 |
| ·结论 | 第96页 |
| ·本章小结 | 第96-97页 |
| 第六章 基于新的DWT-PNNGMM 去噪的说话人识别 | 第97-112页 |
| ·引言 | 第97页 |
| ·神经网络基本原理 | 第97-105页 |
| ·神经元 | 第98页 |
| ·网络拓扑 | 第98-102页 |
| ·网络的训练（学习）算法 | 第102-105页 |
| ·概率神经网络（PNN） | 第105-108页 |
| ·PNN 的结构 | 第105-107页 |
| ·PNN 的算法 | 第107-108页 |
| ·基于新的DWT-PNNGMM 去噪的说话人识别 | 第108-111页 |
| ·二进制小波变换 | 第108页 |
| ·MFCC 估计 | 第108-109页 |
| ·PNNGMM 分类器 | 第109-110页 |
| ·说话人识别试验 | 第110-111页 |
| ·结论 | 第111页 |
| ·本章小结 | 第111-112页 |
| 第七章 性能比较 | 第112-122页 |
| ·引言 | 第112页 |
| ·三种不同去噪方法的性能比较 | 第112-118页 |
| ·基于DWT-TEO 的说话人识别 | 第112-113页 |
| ·用于说话人识别的KLT | 第113-115页 |
| ·针对说话人识别的加权自适应小波去噪 | 第115-116页 |
| ·采用其它去噪方法的性能 | 第116-117页 |
| ·不同去噪方法的性能比较 | 第117-118页 |
| ·两种GMM 最优化的性能比较 | 第118-121页 |
| ·基于说话人识别的GMM/GA 算法 | 第118-120页 |
| ·基于说话人识别的DWT-PNNGMM 去噪 | 第120页 |
| ·两种GMM 最优化的性能比较 | 第120-121页 |
| ·本章小结 | 第121-122页 |
| 结论 | 第122-124页 |
| 参考文献 | 第124-136页 |
| 附录 | 第136-143页 |
| 攻读博士学位期间取得的研究成果 | 第143-145页 |
| 致谢 | 第145页 |