| 目录 | 第1-7页 |
| 表目录 | 第7-8页 |
| 图目录 | 第8-10页 |
| 摘要 | 第10-12页 |
| ABSTRACT | 第12-15页 |
| 第一章 绪论 | 第15-24页 |
| ·说话人识别的基本概念 | 第15-16页 |
| ·说话人识别的研究进展 | 第16-17页 |
| ·短语音说话人识别的研究现状 | 第17-21页 |
| ·论文的来源及主要研究内容 | 第21-22页 |
| ·本文结构安排 | 第22-24页 |
| 第二章 主流的说话人识别方法概述及性能分析 | 第24-46页 |
| ·说话人识别原理简介 | 第24-25页 |
| ·美尔频率倒谱系数 | 第25-28页 |
| ·基于GMM-UBM模型的说话人识别 | 第28-32页 |
| ·GMM的简介 | 第28-29页 |
| ·GMM-UBM的训练:EM算法 | 第29-30页 |
| ·GMM-UBM的训练:MAP自适应 | 第30-31页 |
| ·GMM-UBM的似然比得分 | 第31-32页 |
| ·基于SVM模型的说话人识别 | 第32-37页 |
| ·SVM的简介 | 第32-35页 |
| ·基于SVM的说话人识别架构 | 第35-36页 |
| ·SVM的输出判决策略 | 第36页 |
| ·SVM在说话人识别中应用面临的问题 | 第36-37页 |
| ·基于GSV-SVM模型的说话人识别 | 第37-40页 |
| ·基于MFCC的说话人识别模型在短语音条件下应用的不足 | 第40-41页 |
| ·GMM-UBM和GSV-SVM的识别性能与分析 | 第41-45页 |
| ·实验数据库 | 第41页 |
| ·性能评估指标 | 第41-43页 |
| ·实验结果与分析 | 第43-45页 |
| ·总结 | 第45-46页 |
| 第三章 基于语义信息抑制的短语音说话人辨认 | 第46-65页 |
| ·已有的语义信息分离方法 | 第46-50页 |
| ·已有的基于PCA的语义信息分离方法 | 第47-49页 |
| ·已有的基于LDA的语义信息抑制方法 | 第49-50页 |
| ·语音信号的内蕴非线性结构分析 | 第50-52页 |
| ·拉普拉斯本征映射及其在语音信号处理中的应用 | 第52-55页 |
| ·拉普拉斯本征映射 | 第52-53页 |
| ·局部保距投影(LPP) | 第53-54页 |
| ·区分性局部保距投影(DLPP) | 第54-55页 |
| ·基于说话人属性约束的局部保距投影 | 第55-59页 |
| ·SAC-LPP变换的基本原理 | 第55页 |
| ·SAC-LPP变换的数学描述 | 第55-57页 |
| ·SAC-LPP变换矩阵的推导 | 第57-59页 |
| ·SAC-LPP在GMM-UBM模型中的应用 | 第59-60页 |
| ·SAC-LPP中类间近邻以及目标函数的选择 | 第60-61页 |
| ·实验结果与分析 | 第61-64页 |
| ·测试结果与分析 | 第61-63页 |
| ·SAC-LPP变换在说话人识别中的可行性分析 | 第63-64页 |
| ·总结 | 第64-65页 |
| 第四章 基于UBM混元子空间的短语音说话人确认 | 第65-85页 |
| ·已有的基于音素信息的文本无关说话人识别方法 | 第65-69页 |
| ·基于广义音素分类的说话人识别 | 第66-68页 |
| ·基于单音素的说话人识别 | 第68-69页 |
| ·基于S-GSV-SVM的说话人确认原理 | 第69-73页 |
| ·基于层级聚类的UBM混元子空间分类方法 | 第73-77页 |
| ·常用的高斯混元间的测度 | 第73-74页 |
| ·基于层级聚类的高斯混元分类方法 | 第74-77页 |
| ·基于双重可信度的子空间融合方法研究 | 第77-81页 |
| ·子空间融合方法研究 | 第77-78页 |
| ·基于自适应匹配度的可信度度量方法 | 第78-79页 |
| ·基于模型推广性的可信度度量方法 | 第79-81页 |
| ·基于双重可信度线性子空间融合方法 | 第81页 |
| ·实验与结果分析 | 第81-84页 |
| ·子空间划分方法对识别性能影响的实验 | 第82-83页 |
| ·多子空间融合方法的实验与分析 | 第83-84页 |
| ·总结 | 第84-85页 |
| 第五章 基于仿生模式识别的说话人激励源特征建模方法 | 第85-101页 |
| ·已有的基于原始语音的激励源特征提取方法 | 第85-86页 |
| ·已有的基于LP残差的说话人识别方法 | 第86-88页 |
| ·短语音条件下基于LP残差的说话人识别研究 | 第88-89页 |
| ·基于LP残差向量和BNN的说话人识别 | 第89-94页 |
| ·仿生模式识别的基本原理 | 第89-90页 |
| ·基于仿生模式识别的神经网络构造方法 | 第90-93页 |
| ·相关参数的设置及判决策略 | 第93-94页 |
| ·两种特征融合方法研究 | 第94-97页 |
| ·基于可靠性的动态融合方法 | 第94-96页 |
| ·基于特征区分性的静态融合方法 | 第96-97页 |
| ·实验与结果分析 | 第97-100页 |
| ·基于LP残差向量和BNN的识别性能分析 | 第97-98页 |
| ·激励源特征和MFCC融合后的识别性能 | 第98-99页 |
| ·与其他短时倒谱特征融合的识别性能比较 | 第99-100页 |
| ·总结 | 第100-101页 |
| 第六章 结束语 | 第101-104页 |
| ·本文的创新性研究成果 | 第101-102页 |
| ·本文的局限性及下一步工作 | 第102-104页 |
| 参考文献 | 第104-116页 |
| 作者简历 攻读博士学位期间完成的主要工作 | 第116-118页 |
| 致谢 | 第118-119页 |