| 摘要 | 第1-6页 |
| Abstract | 第6-11页 |
| 第1章 绪论 | 第11-17页 |
| ·说话人识别概述 | 第11-12页 |
| ·机器学习与支持向量机 | 第12-13页 |
| ·支持向量机与说话人识别 | 第13-15页 |
| ·问题的提出 | 第15页 |
| ·论文主要工作 | 第15-17页 |
| 第2章 说话人识别系统 | 第17-25页 |
| ·说话人识别系统结构 | 第17-18页 |
| ·特征提取 | 第18-21页 |
| ·说话人模型 | 第21-22页 |
| ·得分规整 | 第22-23页 |
| ·说话人识别性能评价 | 第23-24页 |
| ·等错误率与DET曲线 | 第23-24页 |
| ·检测代价函数 | 第24页 |
| ·本章小结 | 第24-25页 |
| 第3章 统计学习与支持向量机 | 第25-41页 |
| ·引言 | 第25页 |
| ·机器学习的基本问题 | 第25-27页 |
| ·问题的表示 | 第25-26页 |
| ·经验风险最小化 | 第26页 |
| ·复杂性与推广能力 | 第26-27页 |
| ·统计学习理论的核心内容 | 第27-31页 |
| ·学习过程一致性的条件 | 第27-28页 |
| ·VC维 | 第28-29页 |
| ·推广性的界 | 第29-30页 |
| ·结构风险最小化 | 第30-31页 |
| ·支持向量机 | 第31-40页 |
| ·最优分类面 | 第31-33页 |
| ·核函数 | 第33-34页 |
| ·快速算法 | 第34-37页 |
| ·概率输出 | 第37-38页 |
| ·多类分类 | 第38-40页 |
| ·本章小结 | 第40-41页 |
| 第4章 基于帧的说话人支持向量机模型 | 第41-63页 |
| ·基于帧的支持向量机模型 | 第41-43页 |
| ·投票得分与软输出得分 | 第43-45页 |
| ·核函数的实验 | 第45-47页 |
| ·选择样本大小实验研究 | 第47-48页 |
| ·冒认者个数的实验 | 第48-50页 |
| ·代表性样本选择的方法 | 第50-55页 |
| ·随机选择： | 第50-51页 |
| ·k-mean聚类： | 第51页 |
| ·LBG聚类： | 第51-53页 |
| ·高斯聚类： | 第53页 |
| ·实验结果比较 | 第53-55页 |
| ·分类样本权重实验研究 | 第55-56页 |
| ·多类分类问题比较实验 | 第56-57页 |
| ·支持向量机的概率输出 | 第57-61页 |
| ·一对多的概率输出 | 第58-59页 |
| ·一对一的概率输出 | 第59-61页 |
| ·本章小结 | 第61-63页 |
| 第5章 支持向量机混合模型 | 第63-75页 |
| ·引言 | 第63页 |
| ·集成学习 | 第63-65页 |
| ·迭代训练的说话人的混合支持向量机模型 | 第65-67页 |
| ·Bagging算法与Boosting算法 | 第65-66页 |
| ·迭代训练的混合支持向量机说话人模型 | 第66-67页 |
| ·基于专家混合的支持向量机混合模型 | 第67-69页 |
| ·支持向量机专家混合模型 | 第67-68页 |
| ·基于专家混合的支持向量机说话人模型 | 第68-69页 |
| ·两种得分模型 | 第69-70页 |
| ·距离模型 | 第69-70页 |
| ·概率混合模型 | 第70页 |
| ·YOHO库实验 | 第70-74页 |
| ·说话人确认实验 | 第70-72页 |
| ·得分方式比较实验 | 第72-73页 |
| ·说话人辨认实验 | 第73-74页 |
| ·本章小结 | 第74-75页 |
| 第6章 基于语句的说话人支持向量机模型 | 第75-97页 |
| ·基于语句的说话人模型 | 第75-79页 |
| ·Fisher核 | 第75-76页 |
| ·GLDS核 | 第76-78页 |
| ·DTAK核(Pair HMM核) | 第78页 |
| ·概率距离核 | 第78-79页 |
| ·超向量核 | 第79页 |
| ·一类新的基于偏差的映射函数 | 第79-81页 |
| ·基于VQ模型的说话人支持向量机模型 | 第81-86页 |
| ·矢量量化模型 | 第81-83页 |
| ·YOHO库实验结果与分析 | 第83-86页 |
| ·基于GMM模型的说话人支持向量机模型 | 第86-96页 |
| ·高斯混合模型 | 第86-87页 |
| ·GMM／SVM模型 | 第87-88页 |
| ·YOHO库实验结果与分析 | 第88-92页 |
| ·NIST2001库实验 | 第92-96页 |
| ·本章小结 | 第96-97页 |
| 第7章 背景模型与支持向量机 | 第97-115页 |
| ·Anchor模型 | 第97-98页 |
| ·通用背景模型(UBM) | 第98-99页 |
| ·UBM／SVM模型 | 第99-109页 |
| ·模型的建立 | 第99-101页 |
| ·实验结果与分析 | 第101-105页 |
| ·基于分布中心的映射模型 | 第105-106页 |
| ·两种映射方式的组合 | 第106-108页 |
| ·多类分类与概率输出实验 | 第108-109页 |
| ·UBM-MAP／SVM模型 | 第109-111页 |
| ·UBM-MAP／SVM模型在2001NIST库实验 | 第111-113页 |
| ·本章小结 | 第113-115页 |
| 第8章 总结与展望 | 第115-119页 |
| 参考文献 | 第119-127页 |
| 攻读学位期间论文发表情况 | 第127-128页 |
| 致谢 | 第128页 |