| 摘要 | 第1-8页 |
| ABSTRACT | 第8-10页 |
| 插图索引 | 第10-11页 |
| 附表索引 | 第11-12页 |
| 第1章 绪论 | 第12-20页 |
| ·研究背景与意义 | 第12-13页 |
| ·基本概念 | 第13-14页 |
| ·研究现状 | 第14-17页 |
| ·应用前景 | 第17页 |
| ·本文的研究工作 | 第17-20页 |
| 第2章 说话人识别概述 | 第20-32页 |
| ·特征参数提取 | 第21-26页 |
| ·预处理 | 第22-23页 |
| ·线性预测系数(LPC) | 第23-24页 |
| ·LPC倒谱系数(LPCC) | 第24-25页 |
| ·Mel倒谱系数 | 第25-26页 |
| ·说话人识别模型 | 第26-31页 |
| ·模板匹配法 | 第26-27页 |
| ·概率模型法 | 第27-28页 |
| ·人工神经网络方法 | 第28-29页 |
| ·支持向量机 | 第29-30页 |
| ·其它的一些融合方法 | 第30-31页 |
| ·本章小结 | 第31-32页 |
| 第3章 基于改进PSO─SVM的说话人识别方法 | 第32-44页 |
| ·支持向量机 | 第33-36页 |
| ·线性支持向量机 | 第33-34页 |
| ·非线性支持向量机 | 第34-35页 |
| ·多类分类方法 | 第35-36页 |
| ·粒子群优化算法 | 第36-38页 |
| ·PSO算法原理 | 第37-38页 |
| ·PSO算法的步骤 | 第38页 |
| ·PSO算法的特点 | 第38页 |
| ·改进PSO算法训练支持向量机用于说话人识别 | 第38-41页 |
| ·改进PSO算法 | 第39-40页 |
| ·改进PSO训练支持向量机 | 第40-41页 |
| ·实验分析 | 第41-42页 |
| ·本章小结 | 第42-44页 |
| 第4章 基于核K-均值聚类的稀疏KPCA的说话人识别方法 | 第44-54页 |
| ·核K-均值聚类 | 第44-46页 |
| ·稀疏KPCA方法(SKPCA) | 第46-50页 |
| ·主成分分析 | 第46-48页 |
| ·稀疏核主成分分析 | 第48-50页 |
| ·融合核K-均值聚类和稀疏KPCA的说话人识别方法 | 第50页 |
| ·实验 | 第50-52页 |
| ·本章小结 | 第52-54页 |
| 结论 | 第54-56页 |
| 参考文献 | 第56-60页 |
| 致谢 | 第60-61页 |
| 附录A 攻读硕士学位期间所发表的论文 | 第61页 |