| 摘要 | 第3-4页 |
| Abstract | 第4页 |
| 目录 | 第5-7页 |
| 第一章 绪论 | 第7-13页 |
| 1.1 语音识别中的归一化 | 第7-8页 |
| 1.2 说话人识别技术 | 第8-10页 |
| 1.3 i-vector 方法 | 第10-11页 |
| 1.4 本论文的主要内容及贡献 | 第11-13页 |
| 第二章 i-vector 的原理和识别 | 第13-22页 |
| 2.1 引言 | 第13页 |
| 2.2 i-vector 原理 | 第13-15页 |
| 2.3 语音识别中 i-vector 的方法 | 第15-18页 |
| 2.3.1 特征提取 | 第15-16页 |
| 2.3.2 利用 i-vector 聚类声学环境 | 第16页 |
| 2.3.3 基于 i-vector 方法的声学检测 | 第16-18页 |
| 2.4 基于 i-vector 的说话人识别 | 第18-21页 |
| 2.4.1 数据模型 | 第18页 |
| 2.4.2 i-vector 提取 | 第18-20页 |
| 2.4.3 基于 i-vector 余弦距离打分 | 第20-21页 |
| 2.5 本章小结 | 第21-22页 |
| 第三章 基于 i-vector 的说话人聚类 | 第22-30页 |
| 3.1 说话人聚类原理 | 第22-23页 |
| 3.2 LBG 算法说话人识别 | 第23-28页 |
| 3.2.1 矢量量化 | 第24-25页 |
| 3.2.2 LBG 算法 | 第25-28页 |
| 3.2.3 LBG 算法的说话人聚类过程 | 第28页 |
| 3.3 LBG 算法用于 i-vector 的聚类 | 第28-29页 |
| 3.4 本章小结 | 第29-30页 |
| 第四章 基于 i-vector 聚类说话人归一化 | 第30-39页 |
| 4.1 说话人归一化方法 | 第30-33页 |
| 4.2 基于说话人自适应训练的归一化方法 | 第33-38页 |
| 4.2.1 最大似然线性回归(MLLR) | 第34-35页 |
| 4.2.2 聚类自适应训练(CAT) | 第35-36页 |
| 4.2.3 约束最大似然线性回归(CMLLR) | 第36-38页 |
| 4.3 本章小结 | 第38-39页 |
| 第五章 实验 | 第39-44页 |
| 5.1 实验平台 | 第39-40页 |
| 5.2 实验数据库和实验配置 | 第40页 |
| 5.3 说话人识别实验 | 第40-41页 |
| 5.4 说话人聚类实验 | 第41-42页 |
| 5.5 归一化的语音识别实验 | 第42-43页 |
| 5.6 本章小结 | 第43-44页 |
| 总结与展望 | 第44-45页 |
| 参考文献 | 第45-48页 |
| 攻读学位期间所发表的学术论文目录 | 第48-49页 |
| 致谢 | 第49页 |