| 摘要 | 第1-5页 |
| Abstract | 第5-9页 |
| 1 绪论 | 第9-13页 |
| ·说话人识别(Speaker Recognition)研究背景及意义 | 第9-10页 |
| ·说话人识别发展及现状概述 | 第10-11页 |
| ·说话人识别存在的问题 | 第11-12页 |
| ·论文的主要研究内容 | 第12-13页 |
| 2 说话人识别概述 | 第13-20页 |
| ·说话人识别的基本理论 | 第13页 |
| ·说话人识别系统构成 | 第13-19页 |
| ·说话人语音信号的预处理 | 第14-16页 |
| ·说话人语音信号特征选取及评价 | 第16-18页 |
| ·说话人识别方法 | 第18-19页 |
| ·说话人语音的自适应方法 | 第19页 |
| ·本章小结 | 第19-20页 |
| 3 说话人识别中的特征提取 | 第20-30页 |
| ·特征提取概述 | 第20页 |
| ·线性预测系数LPC | 第20-25页 |
| ·线性预测的基本原理 | 第21页 |
| ·线性预测系数的求取 | 第21-25页 |
| ·线性预测倒谱系数LPCC | 第25页 |
| ·Mel频率倒谱系数MFCC | 第25-27页 |
| ·改进算法介绍 | 第27-29页 |
| ·线性预测MEL频率倒谱系数LPMCC | 第27-28页 |
| ·MFCC及其差分的改进算法 | 第28页 |
| ·改进算法性能比较 | 第28-29页 |
| ·本章小结 | 第29-30页 |
| 4 说话人识别系统识别方法 | 第30-51页 |
| ·隐马尔可夫(HMM)模型 | 第30-35页 |
| ·HMM模型概述 | 第30-32页 |
| ·HMM模型的三个基本问题 | 第32页 |
| ·HMM模型的基本算法 | 第32-35页 |
| ·矢量量化(VQ)识别方法 | 第35-38页 |
| ·矢量量化(VQ)识别方法的基本原理 | 第36-37页 |
| ·矢量量化器的最佳码本设计 | 第37页 |
| ·矢量量化的LBG算法 | 第37-38页 |
| ·人工神经网络(ANN) | 第38-43页 |
| ·人工神经网络概述 | 第40页 |
| ·误差反向传播(BP)算法 | 第40-43页 |
| ·支持向量机(SVM) | 第43-47页 |
| ·广义最优分类面 | 第43-44页 |
| ·支持向量机原理 | 第44-45页 |
| ·支持向量机的模型选择 | 第45-46页 |
| ·支持向量机方法的主要优点 | 第46-47页 |
| ·识别方法在说话人识别中的应用 | 第47-50页 |
| ·HMM应用于说话人识别 | 第47页 |
| ·VQ应用于说话人识别 | 第47-48页 |
| ·ANN应用于说话人识别 | 第48-49页 |
| ·SVM应用于说话人识别 | 第49-50页 |
| ·本章小结 | 第50-51页 |
| 5 说话人识别实验与结果分析 | 第51-61页 |
| ·说话人识别系统实验环境介绍 | 第51-52页 |
| ·硬件环境 | 第51页 |
| ·软件环境 | 第51页 |
| ·Matlab开发平台介绍 | 第51-52页 |
| ·语音资料采集与建立 | 第52页 |
| ·语音信号预处理实验 | 第52-55页 |
| ·预加重实验 | 第52-53页 |
| ·分帧加窗实验 | 第53页 |
| ·端点检测实验 | 第53-55页 |
| ·说话人语音信号的特征提取实验 | 第55-58页 |
| ·线性预测倒谱系数LPCC | 第55-56页 |
| ·Mel频率倒谱系数MFCC | 第56页 |
| ·线性预测MEL频率倒谱系数LPMCC实验 | 第56页 |
| ·MFCC及其差分的改进算法实验 | 第56-57页 |
| ·特征参数的可分性测度比较 | 第57-58页 |
| ·识别结果及分析 | 第58-59页 |
| ·本章小结 | 第59-61页 |
| 结论 | 第61-62页 |
| 参考文献 | 第62-65页 |
| 攻读学位期间发表的学术论文 | 第65-66页 |
| 致谢 | 第66-67页 |