基于GMM的声纹识别系统研究
| 摘要 | 第4-5页 |
| Abstract | 第5-6页 |
| 第1章 绪论 | 第9-18页 |
| 1.1 研究的背景和义 | 第9-11页 |
| 1.1.1 研究背景 | 第9页 |
| 1.1.2 现实意义 | 第9-10页 |
| 1.1.3 应用前景 | 第10-11页 |
| 1.2 研究进展与趋势 | 第11-12页 |
| 1.2.1 研究历史 | 第11-12页 |
| 1.2.2 研究现状 | 第12页 |
| 1.3 声纹识别的基本知识 | 第12-17页 |
| 1.3.1 基本概念 | 第12-13页 |
| 1.3.2 生理学依据 | 第13-14页 |
| 1.3.3 基本原理 | 第14-15页 |
| 1.3.4 关健技术 | 第15-17页 |
| 1.4 本文主要研究内容与结构安排 | 第17-18页 |
| 第2章 语音特征参数提取技术 | 第18-29页 |
| 2.1 语音信号的数学模型 | 第18-20页 |
| 2.2 特征参数提取 | 第20-26页 |
| 2.2.1 LPC 分析与 LPCC 系数 | 第20-23页 |
| 2.2.2 同态滤波与 MFCC 系数 | 第23-26页 |
| 2.3 特征参数的优化 | 第26-28页 |
| 2.4 本章小结 | 第28-29页 |
| 第3章 自适应门限整定端点检测算法 | 第29-41页 |
| 3.1 语音信号预处理 | 第29-33页 |
| 3.1.1 采样与量化 | 第29页 |
| 3.1.2 预加重处理 | 第29-31页 |
| 3.1.3 加窗与分帧 | 第31-33页 |
| 3.2 端点检测的参数 | 第33-35页 |
| 3.2.1 短时能量 | 第33-34页 |
| 3.2.2 短时过零率 | 第34-35页 |
| 3.3 自适应门限整定端点检测算法 | 第35-38页 |
| 3.3.1 双门限端点检测 | 第35-37页 |
| 3.3.2 自适应门限端点检测算法 | 第37-38页 |
| 3.4 实验分析 | 第38-40页 |
| 3.5 本章小结 | 第40-41页 |
| 第4章 基于 GMM 的声纹识别系统实验分析 | 第41-53页 |
| 4.1 GMM 模型概述 | 第41-46页 |
| 4.1.1 GMM 声纹模型的理论依据 | 第41页 |
| 4.1.2 GMM 模型的数学描述 | 第41-43页 |
| 4.1.3 GMM 模型的参数估计 | 第43-45页 |
| 4.1.4 GMM 模型的初始化 | 第45-46页 |
| 4.2 系统实现与实验分析 | 第46-52页 |
| 4.2.1 实验软硬件环境 | 第46-47页 |
| 4.2.2 语音信号处理实验 | 第47-49页 |
| 4.2.3 语音信号特征优化实验 | 第49页 |
| 4.2.4 系统性能测试实验 | 第49-52页 |
| 4.3 本章小结 | 第52-53页 |
| 结论 | 第53-54页 |
| 参考文献 | 第54-58页 |
| 攻读硕士学位期间发表的学术论文 | 第58-59页 |
| 致谢 | 第59-60页 |
