与文本有关的说话人识别方法的研究
| 中文摘要 | 第1-4页 |
| 英文摘要 | 第4-5页 |
| 致谢 | 第5-8页 |
| 第一章 概述 | 第8-11页 |
| 1．1 说话人识别的简介 | 第8-9页 |
| 1．2 说话人识别的方法 | 第9-10页 |
| 1．3 本文的主要工作 | 第10-11页 |
| 第二章 说话人识别的特征 | 第11-17页 |
| 2．1 语音信号产生的离散时域模型 | 第11-12页 |
| 2．2 LPC倒谱系数 | 第12-13页 |
| 2．3 矢量量化 | 第13-17页 |
| 第三章 支撑向量机分类算法 | 第17-38页 |
| 3．1 统计学习理论 | 第17-24页 |
| 3．1．1 机器学习的基本问题和方法 | 第17-19页 |
| 3．1．1．1 机器学习的问题表示 | 第17-18页 |
| 3．1．1．2 经验风险最小化 | 第18-19页 |
| 3．1．2 统计学习理论的核心内容 | 第19-24页 |
| 3．1．2．1 学习过程一致性的条件 | 第19-21页 |
| 3．1．2．2 函数集的学习性能与VC维 | 第21-22页 |
| 3．1．2．3 推广性的界 | 第22-23页 |
| 3．1．2．4 结构风险最小化 | 第23-24页 |
| 3．2 支撑向量机 | 第24-38页 |
| 3．2．1 最优分类面 | 第24-29页 |
| 3．2．2 广义最优分类面 | 第29-31页 |
| 3．2．3 结构风险最小化的SVM实现 | 第31-32页 |
| 3．2．4 高维空间的最优分类面 | 第32-35页 |
| 3．2．5 核函数 | 第35-37页 |
| 3．2．6 核函数的选择 | 第37页 |
| 3．2．7 SVM的实现 | 第37-38页 |
| 第四章 离散隐马尔可夫模型分类算法 | 第38-58页 |
| 4．1 语音信号HMM的物理含义 | 第38-39页 |
| 4．2 Markov链 | 第39-40页 |
| 4．3 隐马尔可夫模型 | 第40-41页 |
| 4．4 HMM的三个基本问题及其求解算法 | 第41-50页 |
| 4．4．1 前向—后向算法 | 第42-44页 |
| 4．4．1．1 前向算法 | 第43页 |
| 4．4．1．2 后向算法 | 第43-44页 |
| 4．4．2 Viterbi算法 | 第44-47页 |
| 4．4．3 Baum-Welch算法 | 第47-50页 |
| 4．5 隐马尔可夫模型的类型 | 第50-52页 |
| 4．6 HMM算法实现中的问题 | 第52-58页 |
| 4．6．1 初始模型参数选取 | 第52页 |
| 4．6．2 多个观察值序列训练 | 第52-53页 |
| 4．6．3 定标 | 第53-56页 |
| 4．6．3．1 对α的处理 | 第54页 |
| 4．6．3．2 对β的处理 | 第54-55页 |
| 4．6．3．3 常用计算公式的处理 | 第55页 |
| 4．6．3．3．1 概率P（O|λ）的计算公式 | 第55页 |
| 4．6．3．3．2 重估公式 | 第55-56页 |
| 4．6．4 对Viterbi算法的处理 | 第56-58页 |
| 第五章 实验结果 | 第58-63页 |
| 5．1 基于支撑向量机的说话人识别实验 | 第58-61页 |
| 5．2 基于离散HMM的说话人识别实验 | 第61-63页 |
| 第六章 结论与展望 | 第63-65页 |
| 参考文献 | 第65-67页 |
