| 摘要 | 第1-6页 |
| Abstract | 第6-9页 |
| 第1章 绪论 | 第9-15页 |
| ·研究动机 | 第9-10页 |
| ·说话人识别技术的研究与发展 | 第10-11页 |
| ·噪声的分类及影响 | 第11-12页 |
| ·说话人识别的应用领域与前景 | 第12-13页 |
| ·论文研究内容与论文结构 | 第13-15页 |
| 第2章 语音特征提取方法 | 第15-30页 |
| ·说话人识别系统的前端处理 | 第16-19页 |
| ·基于谱熵的端点检测 | 第17-18页 |
| ·阈值的设定 | 第18-19页 |
| ·线性预测倒谱系数(LPCC)的提取方法 | 第19-21页 |
| ·美尔频率倒谱系数(MFCC)的提取方法 | 第21-24页 |
| ·子带能量倒谱参数(SUBNC)的提取方法 | 第24-27页 |
| ·子带倒谱的提取方法 | 第25-26页 |
| ·Teager-Kaiser 能量测度 | 第26页 |
| ·Teager-Kaiser 能量的噪声鲁棒性 | 第26-27页 |
| ·基于 Teager 能量的子带倒谱参数的提取方法 | 第27页 |
| ·语音信号的过渡倒谱系数提取 | 第27-29页 |
| ·其它语音特征 | 第29页 |
| ·本章小结 | 第29-30页 |
| 第3章 说话人识别方法 | 第30-44页 |
| ·说话人识别方法介绍 | 第30-32页 |
| ·非参数模型方法 | 第30-31页 |
| ·参数模型方法 | 第31页 |
| ·神经网络方法 | 第31-32页 |
| ·高斯混合模型(GMM) | 第32-37页 |
| ·AdaBoost 算法 | 第33-35页 |
| ·GMM 的训练 | 第35-36页 |
| ·GMM 的识别 | 第36-37页 |
| ·支持向量机(SVM) | 第37-43页 |
| ·基于风险最小的机器学习方法 | 第38-39页 |
| ·线性可分问题的原理 | 第39-40页 |
| ·非线性支持向量机 | 第40-41页 |
| ·SVM-AdaBoost 组合 | 第41-42页 |
| ·背景说话人的选取 | 第42-43页 |
| ·其它识别算法 | 第43页 |
| ·本章小结 | 第43-44页 |
| 第4章 多子带 SVM/GMM 系统 | 第44-50页 |
| ·多子带 MFCC 的鲁棒性 | 第44-45页 |
| ·子带划分 | 第45-46页 |
| ·系统实现 | 第46-48页 |
| ·模型训练 | 第47页 |
| ·识别过程 | 第47-48页 |
| ·本章小结 | 第48-50页 |
| 第5章 试验结果及分析 | 第50-55页 |
| ·语音数据库的构成 | 第50页 |
| ·实验平台、环境及过程 | 第50页 |
| ·语音特征性能分析 | 第50-52页 |
| ·混合分量个数对识别的影响 | 第52-53页 |
| ·本文系统的识别性能 | 第53页 |
| ·开集说话人辨识结果 | 第53-54页 |
| ·本章小结 | 第54-55页 |
| 结论 | 第55-56页 |
| 参考文献 | 第56-61页 |
| 攻读硕士学位期间发表的论文和取得的科研成果 | 第61-62页 |
| 致谢 | 第62页 |