基于MFCC和PSO-BP神经网络的说话人识别系统
| 摘要 | 第4-5页 |
| Abstract | 第5页 |
| 第一章 绪论 | 第8-14页 |
| 1.1 引言 | 第8页 |
| 1.2 说话人识别的研究目的与意义 | 第8-10页 |
| 1.3 国内外研究综述 | 第10-11页 |
| 1.3.1 说话人识别研究的现状 | 第10页 |
| 1.3.2 人工神经网络研究的现状 | 第10-11页 |
| 1.3.3 PSO算法研究的现状 | 第11页 |
| 1.4 本文研究内容 | 第11-13页 |
| 1.4.1 反向传播（BP）神经网络 | 第12页 |
| 1.4.2 粒子群算法（PSO） | 第12页 |
| 1.4.3 基于PSO-BP的网络模型 | 第12-13页 |
| 1.5 本文组织结构 | 第13-14页 |
| 第二章 说话人识别预处理和特征提取 | 第14-24页 |
| 2.1 说话人识别预处理 | 第14-16页 |
| 2.2 说话人识别特征提取 | 第16-21页 |
| 2.3 基于谱减法增强的MFCC特征参数提取 | 第21-23页 |
| 2.3.1 基于谱减法的语音增强 | 第21-22页 |
| 2.3.2 改进后的MFCC特征参数提取 | 第22-23页 |
| 2.4 本章小结 | 第23-24页 |
| 第三章 PSO-BP网络结构 | 第24-38页 |
| 3.1 人工神经网络原理 | 第24-26页 |
| 3.1.1 人工神经网络概念 | 第24页 |
| 3.1.2 人工神经网络结构 | 第24-26页 |
| 3.1.3 人工神经网络的分类 | 第26页 |
| 3.2 反向传播算法（BP算法） | 第26-29页 |
| 3.2.1 BP算法网络模型 | 第26-28页 |
| 3.2.2 BP学习算法 | 第28-29页 |
| 3.3 BP算法存在的问题及对策 | 第29-33页 |
| 3.3.1 BP算法存在的问题 | 第29-30页 |
| 3.3.2 对策 | 第30-33页 |
| 3.4 粒子群算法起源 | 第33-34页 |
| 3.5 粒子群算法原理 | 第34-35页 |
| 3.6 粒子群算法结构 | 第35-37页 |
| 3.6.1 粒子群算法（PSO）的步骤和流程 | 第35-36页 |
| 3.6.2 设计过程中应注意的参数设置 | 第36-37页 |
| 3.7 本章小结 | 第37-38页 |
| 第四章 经典说话人识别方法 | 第38-49页 |
| 4.1 说话人识别原理 | 第38页 |
| 4.2 高斯混合模型（GMM） | 第38-41页 |
| 4.3 隐马尔可夫模型（HMM） | 第41-43页 |
| 4.4 矢量量化模型（VQ） | 第43-47页 |
| 4.5 本章小结 | 第47-49页 |
| 第五章 仿真实验与结果分析 | 第49-63页 |
| 5.1 系统结构 | 第49-50页 |
| 5.2 具体实现过程 | 第50-56页 |
| 5.2.1 预处理过程 | 第50-53页 |
| 5.2.2 特征参数提取 | 第53-55页 |
| 5.2.3 训练识别网络的设计 | 第55-56页 |
| 5.3 实验结果分析 | 第56-62页 |
| 5.3.1 噪声环境下的系统分析 | 第56-58页 |
| 5.3.2 BP/PSO-BP网络性能比较 | 第58-60页 |
| 5.3.3 与经典说话人识别模型的性能比较 | 第60-62页 |
| 5.4 本章小结 | 第62-63页 |
| 第六章 总结与展望 | 第63-64页 |
| 参考文献 | 第64-68页 |
| 附录1 攻读硕士学位期间撰写的论文 | 第68-69页 |
| 附录2 攻读硕士学位期间申请的专利 | 第69-70页 |
| 附录3 攻读硕士学位期间参加的科研项目 | 第70-71页 |
| 致谢 | 第71页 |
