| 致谢 | 第5-6页 |
| 摘要 | 第6-7页 |
| Abstract | 第7页 |
| 序言 | 第8-10页 |
| 目录 | 第10-13页 |
| 1 引言 | 第13-22页 |
| 1.1 复杂背景下说话人确认的研究背景意义 | 第13-17页 |
| 1.1.1 研究背景 | 第13-14页 |
| 1.1.2 应用领域 | 第14-15页 |
| 1.1.3 发展现状 | 第15-17页 |
| 1.1.4 存在问题 | 第17页 |
| 1.2 语音信号分离 | 第17-18页 |
| 1.3 说话人确认系统研究 | 第18-19页 |
| 1.3.1 语音信号特征 | 第18-19页 |
| 1.3.2 语音信号模型 | 第19页 |
| 1.4 论文的研究问题及内容结构 | 第19-21页 |
| 1.5 本章小结 | 第21-22页 |
| 2 复杂背景下说话人确认原理 | 第22-35页 |
| 2.1 复杂背景下说话人确认系统框架 | 第22-23页 |
| 2.2 信号前端处理 | 第23-27页 |
| 2.2.1 信号预处理 | 第23-24页 |
| 2.2.2 信号特征提取 | 第24-27页 |
| 2.3 语音信号分离算法 | 第27-29页 |
| 2.3.1 计算听觉场景分析 | 第28页 |
| 2.3.2 盲源分离 | 第28-29页 |
| 2.4 说话人确认模型原理 | 第29-34页 |
| 2.4.1 高斯混合模型 | 第30-33页 |
| 2.4.2 全局背景模型 | 第33-34页 |
| 2.4.3 打分判决标准 | 第34页 |
| 2.5 本章小结 | 第34-35页 |
| 3 基于FastICA的改进分离算法 | 第35-48页 |
| 3.1 语音信号分离算法概述 | 第35-36页 |
| 3.2 快速独立分量算法 | 第36-38页 |
| 3.2.1 独立分量分析 | 第36-37页 |
| 3.2.2 FastICA算法 | 第37-38页 |
| 3.2.3 FastICA算法存在的问题 | 第38页 |
| 3.3 基于FastICA的MCMC贝叶斯估计改进算法 | 第38-42页 |
| 3.3.1 MCMC贝叶斯估计 | 第38-40页 |
| 3.3.2 MCMC应用在语音分离 | 第40页 |
| 3.3.3 改进的FastICA算法 | 第40-42页 |
| 3.4 实验及分析 | 第42-47页 |
| 3.4.1 实验数据 | 第42-43页 |
| 3.4.2 实验过程 | 第43-45页 |
| 3.4.3 实验结果 | 第45-46页 |
| 3.4.4 实验总结 | 第46-47页 |
| 3.5 本章小结 | 第47-48页 |
| 4 基于说话人确认系统的鲁棒性研究 | 第48-58页 |
| 4.1 研究概述 | 第48-49页 |
| 4.1.1 特征域信道补偿 | 第48-49页 |
| 4.1.2 模型域信道补偿 | 第49页 |
| 4.1.3 得分域信道补偿 | 第49页 |
| 4.2 系统鲁棒性评价标准 | 第49-51页 |
| 4.3 信道补偿方法研究 | 第51-54页 |
| 4.3.1 倒谱均值归一化 | 第51-52页 |
| 4.3.2 相对谱滤波 | 第52页 |
| 4.3.3 特征映射 | 第52-53页 |
| 4.3.4 最大后验概率自适应 | 第53-54页 |
| 4.4 实验及分析 | 第54-57页 |
| 4.5 本章小结 | 第57-58页 |
| 5 结论 | 第58-61页 |
| 5.1 论文内容总结 | 第58-59页 |
| 5.2 存在问题及工作规划 | 第59-61页 |
| 参考文献 | 第61-64页 |
| 作者简历及攻读硕士学位期间取得的研究成果 | 第64-66页 |
| 学位论文数据集 | 第66页 |