| 摘要 | 第3-4页 |
| Abstract | 第4-5页 |
| 第一章 绪论 | 第9-18页 |
| 1.1 说话人识别技术 | 第9-13页 |
| 1.1.1 说话人识别的研究背景及其意义 | 第9-11页 |
| 1.1.2 说话人识别的历史及现状 | 第11-13页 |
| 1.2 说话人识别概述 | 第13-16页 |
| 1.2.1 说话人识别的概念及分类 | 第13-14页 |
| 1.2.2 说话人识别系统框图 | 第14-16页 |
| 1.3 论文的组织结构 | 第16-18页 |
| 1.3.1 研究工作 | 第16页 |
| 1.3.2 内容安排 | 第16-18页 |
| 第二章 语音信号的数字化处理 | 第18-31页 |
| 2.1 语音信号的获取 | 第18-20页 |
| 2.1.1 语音信号产生的原理 | 第18-19页 |
| 2.1.2 语音信号的采集及数字化 | 第19-20页 |
| 2.2 语音信号的预处理介绍 | 第20-26页 |
| 2.2.1 语音信号的预加重处理 | 第20-22页 |
| 2.2.2 分帧与加窗 | 第22-24页 |
| 2.2.3 语音信号的短时平均能量 | 第24-25页 |
| 2.2.4 语音信号的短时平均过零率 | 第25-26页 |
| 2.3 说话人语音信号特征参数的提取 | 第26-30页 |
| 2.3.1 梅尔频率(Mel-Frequency Analysis,Mel)的分析 | 第26-28页 |
| 2.3.2 MFCC的提取流程 | 第28-30页 |
| 2.4 本章小结 | 第30-31页 |
| 第三章 语音信号端点检测及滤波处理 | 第31-50页 |
| 3.1 语音信号的端点检测 | 第31-36页 |
| 3.1.1 传统的DTED技术及仿真分析 | 第31-33页 |
| 3.1.2 改进DTED技术及仿真分析 | 第33-35页 |
| 3.1.3 改进的端点检测算法结合矢量量化进行说话人识别应用 | 第35-36页 |
| 3.2 语音信号的滤波处理 | 第36-49页 |
| 3.2.1 LMS滤波算法 | 第37-38页 |
| 3.2.2 RLS滤波算法 | 第38-39页 |
| 3.2.3 FTRLS滤波算法 | 第39-42页 |
| 3.2.4 改进FTRLS滤波算法 | 第42-45页 |
| 3.2.5 结果对比分析 | 第45-49页 |
| 3.3 本章小结 | 第49-50页 |
| 第四章 基于人工神经网络的说话人识别 | 第50-65页 |
| 4.1 神经网络发展历史 | 第50-52页 |
| 4.1.1 神经网络的研究背景 | 第50-51页 |
| 4.1.2 神经网络的优势 | 第51-52页 |
| 4.2 人工神经网络的原理 | 第52-58页 |
| 4.2.1 人工神经网络的基本概念 | 第52-53页 |
| 4.2.2 神经元结构 | 第53-56页 |
| 4.2.3 神经网络结构 | 第56-57页 |
| 4.2.4 神经网络的学习方式和规则 | 第57-58页 |
| 4.3 BP神经网络 | 第58-64页 |
| 4.3.1 前向传播 | 第59-60页 |
| 4.3.2 反向传播 | 第60-64页 |
| 4.4 本章小结 | 第64-65页 |
| 第五章 说话人识别系统的仿真实验 | 第65-74页 |
| 5.1 实验的前提条件 | 第65-67页 |
| 5.1.1 实验的软硬件环境及语音信号采集 | 第65-66页 |
| 5.1.2 说话人识别系统识别率的计算 | 第66-67页 |
| 5.2 仿真实验 | 第67-73页 |
| 5.2.1 不同语音长度 | 第67-69页 |
| 5.2.2 不同特征维度 | 第69页 |
| 5.2.3 不同迭代次数 | 第69-71页 |
| 5.2.4 待识别说话人个数 | 第71-73页 |
| 5.3 本章小结 | 第73-74页 |
| 第六章 总结与展望 | 第74-76页 |
| 6.1 总结 | 第74-75页 |
| 6.2 展望 | 第75-76页 |
| 参考文献 | 第76-81页 |
| 致谢 | 第81-82页 |
| 攻读硕士学位期间发表的论文 | 第82页 |