说话人识别系统的研究
| 摘要 | 第1-4页 |
| Abstract | 第4-6页 |
| 目录 | 第6-9页 |
| 第1章 绪论 | 第9-17页 |
| ·计算机语音技术概述 | 第9-10页 |
| ·语音识别分类 | 第10-11页 |
| ·说话人识别 | 第11-14页 |
| ·说话人识别的应用前景 | 第12页 |
| ·说话人识别技术难点 | 第12-13页 |
| ·说话人语音特征的提取 | 第13-14页 |
| ·说话人识别方法 | 第14页 |
| ·本论文研究的内容 | 第14-17页 |
| 第2章 语音信号预处理 | 第17-36页 |
| ·语音信号获取 | 第17-19页 |
| ·语音的产生 | 第17-18页 |
| ·语音信号的数字化 | 第18页 |
| ·语音信号的采集 | 第18-19页 |
| ·语音信号的数字模型 | 第19-21页 |
| ·激励模型 | 第19页 |
| ·声管模型 | 第19-20页 |
| ·共振峰模型 | 第20-21页 |
| ·辐射模型 | 第21页 |
| ·语音信号预加重 | 第21-22页 |
| ·语音信号的时域分析 | 第22-27页 |
| ·短时能量和短时平均幅度 | 第22-24页 |
| ·短时过零分析 | 第24-25页 |
| ·短时基音周期估计 | 第25-27页 |
| ·语音端点检测 | 第27-32页 |
| ·短时能量 | 第27页 |
| ·短时平均过零率 | 第27-28页 |
| ·本文采用的端点检测算法 | 第28-30页 |
| ·传统双门限端点检测算法 | 第30-31页 |
| ·两种端点检测算法的比较 | 第31-32页 |
| ·语音端点检测编程实现 | 第32-36页 |
| 第3章 语音信号特征选择 | 第36-56页 |
| ·说话人识别常用的特征 | 第36-37页 |
| ·线性预测系数LPC | 第37-42页 |
| ·线性预测的基本原理 | 第38-40页 |
| ·线性预测系数的求取 | 第40-41页 |
| ·LPC模型阶数的确定 | 第41-42页 |
| ·线性预测倒谱系数LPCC | 第42-47页 |
| ·同态处理基本原理 | 第42-43页 |
| ·复倒谱和倒谱 | 第43页 |
| ·线性预测倒谱 | 第43-45页 |
| ·线性预测差分倒谱 | 第45页 |
| ·线性预测倒谱失真测度 | 第45-47页 |
| ·美尔倒谱系数MFCC | 第47-50页 |
| ·MFCC系数的提取 | 第47-49页 |
| ·倒谱提升窗口 | 第49页 |
| ·美尔差分倒谱参数 | 第49-50页 |
| ·MFCC分量的选择 | 第50页 |
| ·特征参数的实际提取 | 第50-56页 |
| ·LPCC参数计算流程 | 第50-53页 |
| ·MFCC的计算 | 第53-56页 |
| 第4章 说话人识别的方法 | 第56-70页 |
| ·说话人识别的基本方法及其分类 | 第56-57页 |
| ·矢量量化VQ说话人识别 | 第57-59页 |
| ·隐马尔可夫模型HMM说话人识别 | 第59-60页 |
| ·高斯混合模型GMM说话人识别 | 第60-64页 |
| ·GMM模型描述 | 第60-62页 |
| ·GMM模型的说明 | 第62页 |
| ·GMM模型参数的最大似然估计 | 第62-64页 |
| ·GMM的识别算法 | 第64页 |
| ·动态时间归整法DTW | 第64-67页 |
| ·本系统采用的识别方法 | 第67-70页 |
| ·动态时间归整的实现 | 第67-68页 |
| ·高斯混合模型的实现 | 第68-70页 |
| 第五章 说话人识别系统实现 | 第70-80页 |
| ·文本相关说话人辨认系统的实现 | 第70-77页 |
| ·线性预测倒谱参数的提取实现 | 第72页 |
| ·美尔倒谱系数及其差分的提取实现 | 第72页 |
| ·MFCC参数文本相关系统实现 | 第72-75页 |
| ·LPCC参数文本相关系统实现 | 第75-76页 |
| ·文本相关说话人识别系统的判决 | 第76-77页 |
| ·文本无关GMM说话人辨认系统实现 | 第77-80页 |
| 结论 | 第80-82页 |
| 致谢 | 第82-83页 |
| 参考文献 | 第83-87页 |
| 攻读硕士学位期间发表的论文 | 第87页 |
