| 第1章 绪论 | 第1-14页 |
| ·引言 | 第8-9页 |
| ·说话人识别技术的研究与发展 | 第9-11页 |
| ·噪声的分类及影响 | 第11页 |
| ·说话人识别的应用领域与应用前景 | 第11-12页 |
| ·本文所做的工作与论文结构 | 第12-14页 |
| 第2章 说话人语音特征提取方法 | 第14-29页 |
| ·语音数据的前端处理 | 第15-18页 |
| ·基于谱熵的端点检测 | 第16-17页 |
| ·阈值的设定 | 第17-18页 |
| ·线性预测倒谱系数(LPCC)的提取方法 | 第18-20页 |
| ·美尔频率倒谱系数(MFCC)的提取方法 | 第20-23页 |
| ·子倒谱的提取方法 | 第23-24页 |
| ·基于Teager能量的子带倒谱 | 第24-26页 |
| ·Teager-Kaiser能量测度 | 第25页 |
| ·Teager-Kaiser能量的噪声鲁棒性 | 第25-26页 |
| ·语音信号的过渡倒谱系数提取 | 第26-27页 |
| ·其它语音特征 | 第27页 |
| ·本章小结 | 第27-29页 |
| 第3章 说话人辨认方法 | 第29-43页 |
| ·说话人识别方法介绍 | 第29-31页 |
| ·非参数模型方法 | 第29-30页 |
| ·参数模型方法 | 第30页 |
| ·神经网络方法 | 第30-31页 |
| ·高斯混合模型(GMM) | 第31-36页 |
| ·GMM的训练 | 第32-35页 |
| ·GMM的识别 | 第35-36页 |
| ·支持向量机(SVM) | 第36-41页 |
| ·统计学习理论 | 第37-38页 |
| ·线性可分问题的原理 | 第38-40页 |
| ·非线性支持向量机 | 第40-41页 |
| ·背景说话人的选取 | 第41页 |
| ·其它识别算法 | 第41页 |
| ·本章小结 | 第41-43页 |
| 第4章 基于SVM/GMM混合的多子带系统 | 第43-49页 |
| ·多子带MFCC的鲁棒性 | 第43-44页 |
| ·子带划分 | 第44-45页 |
| ·基于Teager-Kaiser能量的子带倒谱提取 | 第45页 |
| ·系统实现 | 第45-48页 |
| ·模型训练 | 第46页 |
| ·识别过程 | 第46-48页 |
| ·本章小结 | 第48-49页 |
| 第5章 试验结果及分析 | 第49-54页 |
| ·语音数据库的构成 | 第49页 |
| ·语音特征性能分析 | 第49-51页 |
| ·混合分量个数对识别的影响 | 第51页 |
| ·本文系统的识别性能 | 第51-52页 |
| ·开集说话人辨识结果 | 第52-53页 |
| ·本章小结 | 第53-54页 |
| 结论 | 第54-55页 |
| 参考文献 | 第55-60页 |
| 攻读硕士学位期间发表的论文和取得的科研成果 | 第60-61页 |
| 致谢 | 第61页 |