| 摘要 | 第7-8页 |
| Abstract | 第8-9页 |
| 第1章 绪论 | 第13-20页 |
| 1.1 课题的研究意义 | 第13-14页 |
| 1.2 多说话人跟踪的研究现状 | 第14-15页 |
| 1.2.1 基于音频的说话人跟踪研究现状 | 第14-15页 |
| 1.3 基于粒子滤波算法研究现状 | 第15-17页 |
| 1.3.1 粒子滤波研究现状 | 第15-17页 |
| 1.3.2 粒子滤波算法存在的问题 | 第17页 |
| 1.4 智能会议系统介绍 | 第17-18页 |
| 1.5 本文的主要工作和结构安排 | 第18-20页 |
| 1.5.1 本文的主要工作 | 第18-19页 |
| 1.5.2 本文结构安排 | 第19-20页 |
| 第2章 粒子滤波与GPU理论基础 | 第20-28页 |
| 2.1 动态空间模型 | 第20页 |
| 2.2 标准粒子滤波算法 | 第20-21页 |
| 2.3 粒子滤波算法实现过程 | 第21-22页 |
| 2.4 GPU基础理论 | 第22-24页 |
| 2.5 CUDA运算平台简介 | 第24-27页 |
| 2.5.1 CUDA编程模型 | 第24-25页 |
| 2.5.2 内核函数 | 第25-26页 |
| 2.5.3 线程层次 | 第26页 |
| 2.5.4 存储器层次 | 第26-27页 |
| 2.6 本章小结 | 第27-28页 |
| 第3章 改进规约的差分进化粒子滤波算法 | 第28-45页 |
| 3.1 差分进化粒子滤波算法 | 第28-29页 |
| 3.1.1 标准粒子滤波算法 | 第28页 |
| 3.1.2 差分进化粒子滤波算法 | 第28-29页 |
| 3.2 改进的并行规约在GPU上的实现 | 第29-37页 |
| 3.2.1 基于GPU改进的扫描算法 | 第30-37页 |
| 3.3 改进的差分进化粒子滤波算法在GPU上的并行实现 | 第37-41页 |
| 3.3.1 粒子滤波在GPU上的并行实现 | 第37-39页 |
| 3.3.2 粒子复制 | 第39-41页 |
| 3.4 实验结果与分析 | 第41-44页 |
| 3.5 本章小结 | 第44-45页 |
| 第4章 基于并行粒子滤波与并行K均值聚类多说话人识别与跟踪 | 第45-63页 |
| 4.1 多说话人运动模型 | 第45-46页 |
| 4.2 基于粒子滤波的多说话人定位与跟踪框架 | 第46-50页 |
| 4.2.1 多目标模型 | 第46-48页 |
| 4.2.2 定位特征和测量方程 | 第48-49页 |
| 4.2.3 似然函数 | 第49-50页 |
| 4.3 基于并行粒子滤波和K均值聚类的多说话人识别与跟踪 | 第50-56页 |
| 4.3.1 基于GPU的K均值聚类算法 | 第50-54页 |
| 4.3.2 定位函数 | 第54-55页 |
| 4.3.3 并行粒子滤波多说话人跟踪算法 | 第55-56页 |
| 4.4 实验结果与分析 | 第56-62页 |
| 4.5 本章小结 | 第62-63页 |
| 总结与展望 | 第63-65页 |
| 参考文献 | 第65-70页 |
| 致谢 | 第70-71页 |
| 附录A 攻读硕士期间参与科研项目与发表学术论文 | 第71页 |
