动态贝叶斯网络及其在说话人识别中的应用
| 第一章 引言 | 第1-20页 |
| ·图模型 | 第8-14页 |
| ·马尔可夫随机场 | 第9-12页 |
| ·贝叶斯网 | 第12-14页 |
| ·隐马尔可夫模型 | 第14-18页 |
| ·定义 | 第15页 |
| ·推导 | 第15-16页 |
| ·学习 | 第16-17页 |
| ·评价 | 第17-18页 |
| ·本文工作背景 | 第18-20页 |
| 第二章 概率网络 | 第20-33页 |
| ·概要 | 第20-23页 |
| ·简单例子 | 第20-21页 |
| ·用途 | 第21页 |
| ·定性和定量 | 第21-23页 |
| ·术语解释 | 第23-24页 |
| ·树状图的推导 | 第24-27页 |
| ·计算λ | 第25-26页 |
| ·计算π | 第26-27页 |
| ·交叉树算法 | 第27-32页 |
| ·构造正图 | 第27页 |
| ·构造三角化图 | 第27-28页 |
| ·选择簇 | 第28-29页 |
| ·生成优化的交叉树 | 第29-30页 |
| ·概率扩散 | 第30-32页 |
| ·小结 | 第32-33页 |
| 第三章 动态贝叶斯网络 | 第33-44页 |
| ·表达 | 第33-34页 |
| ·推导 | 第34-40页 |
| ·边界算法 | 第35-37页 |
| ·邻接算法 | 第37-40页 |
| ·两种算法的复杂度比较 | 第40页 |
| ·学习 | 第40-43页 |
| ·网络结构已知，观测完全 | 第41页 |
| ·网络结构未知，观测完全 | 第41-42页 |
| ·网络结构未知，观测不完全 | 第42页 |
| ·网络结构已知，观测不完全 | 第42-43页 |
| ·小结 | 第43-44页 |
| 第四章 DBN和HMM的比较 | 第44-58页 |
| ·几种典型的HMM | 第44-46页 |
| ·标准的HMM | 第44-45页 |
| ·自回归HMM | 第45页 |
| ·因子HMM | 第45页 |
| ·耦合HMM | 第45-46页 |
| ·拓扑对比 | 第46-48页 |
| ·DBN→HMM | 第46-47页 |
| ·HMM→DBN | 第47-48页 |
| ·推导、学习算法对比 | 第48-50页 |
| ·推导对比 | 第49-50页 |
| ·学习对比 | 第50页 |
| ·实验比较 | 第50-53页 |
| ·标准HMM拓扑 | 第51-52页 |
| ·因子HMM拓扑 | 第52页 |
| ·耦合HMM拓扑 | 第52-53页 |
| ·小结 | 第53-58页 |
| 第五章 基于DBN的说话人识别 | 第58-70页 |
| ·背景介绍 | 第58-60页 |
| ·意义 | 第58-59页 |
| ·当前发展 | 第59页 |
| ·难点 | 第59-60页 |
| ·基于DBN的识别框架 | 第60-65页 |
| ·训练 | 第60-64页 |
| ·测试 | 第64-65页 |
| ·实验和讨论 | 第65-69页 |
| ·语料和特征提取 | 第65页 |
| ·实验过程 | 第65-67页 |
| ·实验结果和讨论 | 第67-69页 |
| ·小结 | 第69-70页 |
| 第六章 基于DBN的信息融合 | 第70-80页 |
| ·融合动机 | 第70-71页 |
| ·非语音信息 | 第70页 |
| ·语音信息 | 第70-71页 |
| ·融合层次 | 第71-73页 |
| ·原始数据级融合 | 第71页 |
| ·特征级别融合 | 第71-72页 |
| ·决策级融合 | 第72-73页 |
| ·融合框架 | 第73-76页 |
| ·为什么要融合基音 | 第73-74页 |
| ·怎么融合 | 第74-76页 |
| ·实验及讨论 | 第76-79页 |
| ·小结 | 第79-80页 |
| 第七章 结论和展望 | 第80-82页 |
| ·工作总结 | 第80-81页 |
| ·讨论和展望 | 第81-82页 |
| 附录A 部分源代码 | 第82-87页 |
| A. 1 DBN中的推导-前向后向遍历 | 第82-87页 |
| 参考文献 | 第87-91页 |
| 攻读硕士学位期间发表的论文 | 第91-92页 |
| 致谢 | 第92页 |
