短时语种识别若干问题研究
| 摘要 | 第1-6页 |
| Abstract | 第6-8页 |
| 目录 | 第8-11页 |
| 插图索引 | 第11-12页 |
| 表格索引 | 第12-13页 |
| 第1章 绪论 | 第13-21页 |
| ·短时语种识别简介 | 第13-16页 |
| ·语种识别研究背景 | 第13-14页 |
| ·语种识别技术回顾 | 第14-16页 |
| ·短时语种识别面临的问题 | 第16页 |
| ·NIST LRE数据库 | 第16-17页 |
| ·评价指标 | 第17-18页 |
| ·论文结构 | 第18-21页 |
| 第2章 基于全差异空间的语种识别系统 | 第21-35页 |
| ·系统简介 | 第21页 |
| ·GMM-UBM | 第21-27页 |
| ·高斯混合模型 | 第22-23页 |
| ·模型参数的更新 | 第23-25页 |
| ·语种模型自适应 | 第25-27页 |
| ·联合因子分析 | 第27-28页 |
| ·全差异空间 | 第28-31页 |
| ·iVector在语种识别中的应用 | 第31-33页 |
| ·噪声补偿 | 第31-32页 |
| ·余弦距离得分 | 第32-33页 |
| ·实验 | 第33-34页 |
| ·本章小结 | 第34-35页 |
| 第3章 基于样例的短时语音段鲁棒性表示 | 第35-41页 |
| ·引言 | 第35-36页 |
| ·基于短时样例的模板学习 | 第36-37页 |
| ·短时样例 | 第36页 |
| ·基于K-mean聚类的模板学习 | 第36-37页 |
| ·特征编码 | 第37-39页 |
| ·实验 | 第39-40页 |
| ·本章小结 | 第40-41页 |
| 第4章 基于深层神经网络的语种识别系统后端 | 第41-55页 |
| ·基于深层神经网络的语种识别系统后端分类器 | 第41-48页 |
| ·受限玻尔兹曼机 | 第43-46页 |
| ·基于贪婪算法的深层网络预训练 | 第46-47页 |
| ·优化网络参数 | 第47-48页 |
| ·Dropout策略抑制过拟合 | 第48-50页 |
| ·针对短时测试的训练数据选择 | 第50页 |
| ·实验 | 第50-52页 |
| ·本章小结 | 第52-55页 |
| 第5章 基于深层神经网络的特征提取前端 | 第55-69页 |
| ·引言 | 第55-56页 |
| ·基于深层神经网络的bottleneck特征 | 第56-62页 |
| ·Bottleneck特征的提取 | 第57-58页 |
| ·基于深层神经网络特征前端的语种识别框架 | 第58-59页 |
| ·与传统SDC特征的对比分析 | 第59页 |
| ·实验及分析 | 第59-62页 |
| ·基于自动编码器的扩展bottleneck降维 | 第62-68页 |
| ·Bottleneck特征扩展 | 第62-63页 |
| ·深层自动编码器 | 第63-65页 |
| ·实验 | 第65-68页 |
| ·本章小结 | 第68-69页 |
| 第6章 总结与展望 | 第69-73页 |
| ·论文工作总结 | 第69-71页 |
| ·后续工作计划 | 第71-73页 |
| 参考文献 | 第73-79页 |
| 致谢 | 第79-81页 |
| 在读期间发表的学术论文与取得的其他研究成果 | 第81页 |
