基于智能群体和盲源分离的说话人识别
| 摘要 | 第1-8页 |
| Abstract | 第8-9页 |
| 插图索引 | 第9-10页 |
| 附表索引 | 第10-11页 |
| 第1章 绪论 | 第11-16页 |
| ·说话人识别的概述 | 第11-14页 |
| ·说话人识别的分类 | 第12页 |
| ·研究现状 | 第12-13页 |
| ·技术难点 | 第13-14页 |
| ·说话人识别的性能评价 | 第14页 |
| ·本文的主要工作及内容结构安排 | 第14-16页 |
| 第2章 说话人识别技术 | 第16-25页 |
| ·说话人识别基本模型 | 第16-17页 |
| ·语音噪声信号的处理 | 第17-19页 |
| ·噪声信号的分类 | 第17页 |
| ·噪声信号的处理 | 第17-18页 |
| ·信道鲁棒特性 | 第18-19页 |
| ·说话人识别特征参数 | 第19-20页 |
| ·线性预测倒谱系数LPCC | 第19页 |
| ·梅尔倒谱系数MFCC | 第19-20页 |
| ·说话人识别方法及分类模型 | 第20-24页 |
| ·说话人识别模型 | 第20-22页 |
| ·说话人识别分类模型 | 第22-24页 |
| ·本章小结 | 第24-25页 |
| 第3章 盲源分离技术及其在语音信号处理中的应用 | 第25-33页 |
| ·盲源分离技术 | 第25-26页 |
| ·独立分量分析 | 第26-28页 |
| ·独立分量分析基本算法 | 第26-27页 |
| ·ICA的预处理 | 第27-28页 |
| ·独立分量分析的几种学习算法 | 第28-31页 |
| ·固定点算法 | 第28-29页 |
| ·随机梯度学习算法 | 第29-30页 |
| ·自然梯度学习 | 第30-31页 |
| ·常用算法的不足 | 第31页 |
| ·本章小结 | 第31-33页 |
| 第4章 基于粒子群算法改进的盲源分离算法 | 第33-39页 |
| ·语音数据上的互信息的分析 | 第33页 |
| ·基于粒子群算法改进的独立分量分析 | 第33-36页 |
| ·粒子群算法 | 第33-34页 |
| ·基于动态惯性权重的PSO算法 | 第34-35页 |
| ·适应度函数 | 第35页 |
| ·粒子群算法改进的ICA算法 | 第35-36页 |
| ·实验 | 第36-38页 |
| ·本章小结 | 第38-39页 |
| 第5章 一种改进的量子粒子群分类器的设计 | 第39-45页 |
| ·量子粒子群基本原理 | 第39-40页 |
| ·引入权重系数的量子粒子群优化算法 | 第40页 |
| ·量子粒子群分类器的设计 | 第40-43页 |
| ·编码规则和适应度函数 | 第40-41页 |
| ·决策超平面 | 第41-42页 |
| ·带权重系数的量子粒子分类器的结构 | 第42-43页 |
| ·仿真实验结果及分析 | 第43-44页 |
| ·本章小结 | 第44-45页 |
| 总结与展望 | 第45-47页 |
| 参考文献 | 第47-51页 |
| 致谢 | 第51-52页 |
| 附录A 攻读硕士学位期间所发表的学术论文 | 第52页 |
