| 摘要 | 第3-5页 |
| Abstract | 第5-6页 |
| 第一章 引言 | 第9-13页 |
| 1.1 语音识别的研究背景 | 第9-13页 |
| 1.1.1 说话人识别的发展 | 第9-10页 |
| 1.1.2 语音信号的特征提取算法 | 第10-11页 |
| 1.1.3 说话者识别的主要方法 | 第11-13页 |
| 第二章 不同的特征提取算法 | 第13-31页 |
| 2.1 LPCC特征提取方法 | 第14-19页 |
| 2.1.1 线性预测分析 | 第14-16页 |
| 2.1.2 线谱对(LSP,Line-Spectrum Pair) | 第16-18页 |
| 2.1.3 线性预测倒谱系数 | 第18-19页 |
| 2.2 MFCC特征提取方法 | 第19-21页 |
| 2.3 局部归一化倒谱系数LNCC | 第21-23页 |
| 2.3.1 广义同步检测器GSD | 第21-22页 |
| 2.3.2 局部归一化倒谱系数 | 第22-23页 |
| 2.4 二进小波变换和离散小波变换 | 第23-26页 |
| 2.5 小波包变换(WPT) | 第26-31页 |
| 2.5.1 小波包变换步骤 | 第26-28页 |
| 2.5.2 所使用的滤波器 | 第28-29页 |
| 2.5.3 在MFCC的基础上改进的WPT | 第29-31页 |
| 第三章 本文的设计思路 | 第31-43页 |
| 3.1 本文实验相关 | 第31-37页 |
| 3.1.1 实验所使用的数据库 | 第31页 |
| 3.1.2 本文设计思路 | 第31-33页 |
| 3.1.3 本文所提出的局部特征提取方法 | 第33-34页 |
| 3.1.4 该局部特征对白噪声具有鲁棒性的证明 | 第34-35页 |
| 3.1.5 该局部特征对粉红噪声也具有很好的鲁棒性的证明 | 第35-36页 |
| 3.1.6 贝叶斯分类算法 | 第36-37页 |
| 3.2 本文所提出的方法的实验过程 | 第37-43页 |
| 3.2.1 训练 | 第41页 |
| 3.2.2 测试 | 第41-42页 |
| 3.2.3 识别 | 第42-43页 |
| 第四章 对比实验及实验结果 | 第43-51页 |
| 4.1 对比实验 | 第43-46页 |
| 4.1.1 无噪声时的识别率 | 第43页 |
| 4.1.2 对TIMIT数据库加不同的噪声 | 第43-45页 |
| 4.1.3 对自己建立的中文数据库加噪声 | 第45-46页 |
| 4.2 实验结果 | 第46-51页 |
| 第五章 结论 | 第51-53页 |
| 5.1 总结 | 第51-52页 |
| 5.2 未来工作方向 | 第52-53页 |
| 参考文献 | 第53-57页 |
| 致谢 | 第57-59页 |
| 攻读学位期间科研成果 | 第59页 |