| 摘要 | 第5-6页 |
| Abstract | 第6页 |
| 第一章 绪论 | 第9-15页 |
| 1.1 研究背景和意义 | 第9-10页 |
| 1.2 国内外研究现状 | 第10-12页 |
| 1.2.1 语音特征参数的提取研究现状 | 第10-12页 |
| 1.2.2 基于HMM的说话人识别研究现状 | 第12页 |
| 1.3 主要研究内容及结构安排 | 第12-15页 |
| 1.3.1主要研究内容 | 第12-14页 |
| 1.3.2 结构安排 | 第14-15页 |
| 第二章 基于Mel尺度的语音信号小波包分解 | 第15-22页 |
| 2.1 小波包变换 | 第15-16页 |
| 2.2 Mel频率倒谱分析 | 第16-18页 |
| 2.3 基于Mel尺度的小波包分解 | 第18-21页 |
| 2.4 本章小结 | 第21-22页 |
| 第三章 语音信号的混沌性分析及分形维特征提取 | 第22-34页 |
| 3.1 语音时间序列的相空间重构 | 第22-28页 |
| 3.1.1 延迟时间t的选取 | 第22-26页 |
| 3.1.2 嵌入维数的确定 | 第26-28页 |
| 3.2 Lyapunov指数和语音信号的混沌性验证 | 第28-30页 |
| 3.2.1 最大Lyapunov指数的计算 | 第28-29页 |
| 3.2.2 语音信号的混沌性验证 | 第29-30页 |
| 3.3 语音信号的分形维数特征 | 第30-33页 |
| 3.3.1 Hausdorff维数 | 第30-31页 |
| 3.3.2 盒维数 | 第31-33页 |
| 3.4 本章小结 | 第33-34页 |
| 第四章 基于线性模型与非线性模型的语音特征提取 | 第34-46页 |
| 4.1 基于时域和频域自回归模型的特征提取 | 第34-38页 |
| 4.1.1 时域自回归模型 | 第34-36页 |
| 4.1.2 频域自回归模型 | 第36-37页 |
| 4.1.3 基于小波包的时域频域自回归模型 | 第37-38页 |
| 4.2 语音混沌时间序列的Volterra自适应模型 | 第38-44页 |
| 4.2.1 离散系统的Volterra自适应滤波器 | 第38-42页 |
| 4.2.2 语音时间序列Volterra自适应模型参数提取 | 第42-43页 |
| 4.2.3 仿真实验 | 第43-44页 |
| 4.3 线性模型与非线性模型的特征融合 | 第44-45页 |
| 4.4 本章小结 | 第45-46页 |
| 第五章 说话人模型的建立与识别 | 第46-54页 |
| 5.1 基于HMM与文本相关的说话人识别系统 | 第46-51页 |
| 5.1.1 HMM概念与研究的基本问题 | 第46-48页 |
| 5.1.2 基于HMM的说话人语音模型训练过程 | 第48-49页 |
| 5.1.3 基于HMM的说话人识别过程 | 第49-51页 |
| 5.2 基于时域频域自回归模型的说话人识别 | 第51-52页 |
| 5.3 基于融合特征参数的说话人识别 | 第52-53页 |
| 5.4 本章小结 | 第53-54页 |
| 第六章 总结与展望 | 第54-56页 |
| 6.1 全文总结 | 第54-55页 |
| 6.2 需进一步探索的问题 | 第55-56页 |
| 参考文献 | 第56-60页 |
| 发表论文和科研情况说明 | 第60-61页 |
| 致谢 | 第61-62页 |
