面向说话人识别的SVM核方法对比研究
| 摘要 | 第1-6页 |
| Abstract | 第6-13页 |
| 第1章 绪论 | 第13-18页 |
| ·说话人识别概述 | 第13-14页 |
| ·基于支持向量机的说话人识别 | 第14-15页 |
| ·研究意义 | 第15-16页 |
| ·论文主要工作 | 第16-18页 |
| 第2章 说话人识别 | 第18-24页 |
| ·说话人系统结构 | 第18-19页 |
| ·特征提取 | 第19-21页 |
| ·提取过程 | 第19页 |
| ·美尔倒谱特征 | 第19-21页 |
| ·说话人模型 | 第21-22页 |
| ·说话人识别性能评价 | 第22-23页 |
| ·等错误率与DET曲线 | 第22-23页 |
| ·检测代价函数 | 第23页 |
| ·本章小结 | 第23-24页 |
| 第3章 统计学习与支持向量机 | 第24-40页 |
| ·机器学习 | 第24-27页 |
| ·学习问题表示 | 第24-26页 |
| ·经验风险最小化 | 第26页 |
| ·复杂性与推广能力 | 第26-27页 |
| ·统计学习理论核心内容 | 第27-30页 |
| ·VC维的概念 | 第27页 |
| ·推广性的界 | 第27-28页 |
| ·结构风险最小化 | 第28-30页 |
| ·支持向量机 | 第30-39页 |
| ·内积作为相似性度量工具 | 第30-31页 |
| ·最优分类面 | 第31-33页 |
| ·核方法 | 第33-35页 |
| ·多类分类问题 | 第35-37页 |
| ·核函数构造 | 第37-39页 |
| ·本章小节 | 第39-40页 |
| 第4章 通用线性区分序列核(GLDS) | 第40-53页 |
| ·序列核 | 第40-41页 |
| ·映射方式 | 第41-42页 |
| ·GLDS核构造 | 第42-47页 |
| ·得分函数 | 第42-44页 |
| ·模型训练 | 第44-45页 |
| ·GLDS核 | 第45-47页 |
| ·GLDS核解析 | 第47-48页 |
| ·算法描述 | 第48-49页 |
| ·实验 | 第49-51页 |
| ·NIST2001库 | 第49-50页 |
| ·实验设置 | 第50页 |
| ·GLDS核实验说明 | 第50-51页 |
| ·本章小结 | 第51-53页 |
| 第5章 概率距离核与超向量核 | 第53-68页 |
| ·基于概率模型的核函数 | 第53-54页 |
| ·概率距离核 | 第54-60页 |
| ·高斯混合模型 | 第54-58页 |
| ·概率距离核 | 第58-60页 |
| ·超向量核 | 第60-64页 |
| ·通用背景模型 | 第60-61页 |
| ·超向量核函数 | 第61-64页 |
| ·对于GMM核的理解 | 第64-65页 |
| ·实验 | 第65-67页 |
| ·概率距离核实验说明 | 第65-66页 |
| ·超向量核实验说明 | 第66-67页 |
| ·本章小结 | 第67-68页 |
| 第6章 Fisher核与偏差核 | 第68-77页 |
| ·Fisher核 | 第68-71页 |
| ·Fisher映射 | 第68-70页 |
| ·Fisher的直观解释 | 第70-71页 |
| ·偏差核 | 第71-74页 |
| ·基于VQ的偏差核 | 第71-73页 |
| ·基于GMM的偏差核 | 第73-74页 |
| ·实验 | 第74-76页 |
| ·Fisher实验说明 | 第74-75页 |
| ·偏差核实验说明 | 第75-76页 |
| ·本章小结 | 第76-77页 |
| 第7章 总结与展望 | 第77-79页 |
| 参考文献 | 第79-84页 |
| 致谢 | 第84页 |
