| 中文摘要 | 第3-5页 |
| Abstract | 第5-6页 |
| 1 绪论 | 第9-15页 |
| 1.1 说话人识别概述 | 第9-11页 |
| 1.1.1 说话人识别的概念 | 第9-10页 |
| 1.1.2 说话人识别研究现状分析 | 第10-11页 |
| 1.2 度量学习概述 | 第11-13页 |
| 1.2.1 度量学习的概念 | 第11-12页 |
| 1.2.2 度量学习的研究现状分析 | 第12-13页 |
| 1.3 研究内容与创新点： | 第13-14页 |
| 1.3.1 研究内容 | 第13页 |
| 1.3.2 创新点 | 第13-14页 |
| 1.4 本文内容组织 | 第14-15页 |
| 2 基于I-VECTOR模型的说话人识别系统 | 第15-25页 |
| 2.1 语音预处理 | 第15-16页 |
| 2.2 基于MFCC的特征提取 | 第16页 |
| 2.3 说话人模型的建立 | 第16-20页 |
| 2.3.1 GMM-UBM说话人识别模型 | 第16-18页 |
| 2.3.2 说话人i-vector模型 | 第18-20页 |
| 2.4 信道补偿技术 | 第20-22页 |
| 2.4.1 线性判别性分析 | 第21页 |
| 2.4.2 类内协方差规整 | 第21-22页 |
| 2.4.3 长度规整 | 第22页 |
| 2.5 打分判别 | 第22-23页 |
| 2.5.1 余弦相似度打分 | 第22页 |
| 2.5.2 PLDA模型打分 | 第22-23页 |
| 2.5.3 马氏距离打分 | 第23页 |
| 2.6 性能评估 | 第23-24页 |
| 2.6.1 识别率 | 第23页 |
| 2.6.2 等错误率EER | 第23-24页 |
| 2.6.3 检测代价函数DCF | 第24页 |
| 2.7 本章小结 | 第24-25页 |
| 3 加权成对约束度量学习算法 | 第25-33页 |
| 3.1 子空间度量学习算法SUB-ML | 第26-29页 |
| 3.1.1 映射类内子空间 | 第26页 |
| 3.1.2 度量学习目标函数 | 第26-27页 |
| 3.1.3 目标函数的求解 | 第27-29页 |
| 3.2 加权成对约束度量学习算法WPCML | 第29-32页 |
| 3.2.1 映射类内子空间 | 第29页 |
| 3.2.2 度量学习目标函数 | 第29页 |
| 3.2.3 加权约束对损失函数 | 第29-30页 |
| 3.2.4 目标函数的求解 | 第30-32页 |
| 3.3 本章小结 | 第32-33页 |
| 4 度量矩阵训练样本对集的构造 | 第33-38页 |
| 4.1 成对约束训练样本对集的构造 | 第33-34页 |
| 4.2 传统度量矩阵训练样本对集的构造方法 | 第34-35页 |
| 4.2.1 随机选择法 | 第34页 |
| 4.2.2 交叉验证法 | 第34-35页 |
| 4.3 选择训练样本对集构造方法 | 第35-37页 |
| 4.4 本章小结 | 第37-38页 |
| 5 实验及结果分析 | 第38-45页 |
| 5.1 实验设置 | 第38-39页 |
| 5.2 基线对比实验 | 第39页 |
| 5.2.1 实验 1(Cosine+ZTNORM)： | 第39页 |
| 5.2.2 实验 2(PLDA)： | 第39页 |
| 5.3 度量学习实验 | 第39-40页 |
| 5.3.1 实验 3(SUB-ML)： | 第40页 |
| 5.3.2 实验 4(SUB-ML-s)： | 第40页 |
| 5.3.3 实验 5(SUB-WPCML-s)： | 第40页 |
| 5.4 实验结果与分析 | 第40-44页 |
| 5.5 本章小结 | 第44-45页 |
| 6 总结与展望 | 第45-47页 |
| 6.1 总结 | 第45页 |
| 6.2 展望 | 第45-47页 |
| 参考文献 | 第47-51页 |
| 致谢 | 第51-52页 |
| 在读期间公开发表论文（著）及科研情况 | 第52页 |