| 致谢 | 第1-6页 |
| 中文摘要 | 第6-7页 |
| ABSTRACT | 第7-8页 |
| 序 | 第8-12页 |
| 1 绪论 | 第12-22页 |
| ·说话人识别及其背景意义 | 第12-14页 |
| ·国内外的发展历史和现状 | 第14-18页 |
| ·说话人识别存在的问题和难点 | 第18页 |
| ·本文研究的主要问题及内容安排 | 第18-20页 |
| ·本章小结 | 第20-22页 |
| 2 说话人识别概述 | 第22-28页 |
| ·说话人识别的概念 | 第22-23页 |
| ·说话人识别的原理流程 | 第23-24页 |
| ·说话人特征选取 | 第24-25页 |
| ·说话人识别方法 | 第25-26页 |
| ·基于UBM-GMM的说话人确认 | 第26-27页 |
| ·本章小结 | 第27-28页 |
| 3 语音信号预处理和特征提取 | 第28-42页 |
| ·预加重 | 第28页 |
| ·加窗处理 | 第28-30页 |
| ·端点检测 | 第30-34页 |
| ·语音信号短时能量分析 | 第31-32页 |
| ·语音信号短时过零率分析 | 第32-33页 |
| ·双门限端点检测 | 第33-34页 |
| ·美尔倒谱系数MFCC | 第34-41页 |
| ·MFCC介绍及提取 | 第34-40页 |
| ·MFCC差分处理 | 第40-41页 |
| ·本章小结 | 第41-42页 |
| 4 全背景-高斯混合模型UBM-GMM | 第42-58页 |
| ·高斯混合模型GMM | 第42-48页 |
| ·GMM应用概述 | 第42页 |
| ·GMM模型介绍 | 第42-44页 |
| ·最大似然估计EM算法 | 第44-46页 |
| ·GMM模型参数初始化 | 第46-48页 |
| ·全局背景模型UBM | 第48-50页 |
| ·发音人模型自适应 | 第50-52页 |
| ·打分模块 | 第52-54页 |
| ·测试比 | 第52-53页 |
| ·归一化打分 | 第53-54页 |
| ·性能评价 | 第54-56页 |
| ·错误类型描述 | 第54-55页 |
| ·DET曲线介绍 | 第55-56页 |
| ·本章小结 | 第56-58页 |
| 5 基于UBM-GMM的系统实现及改进 | 第58-84页 |
| ·说话人确认语音库的建立 | 第58页 |
| ·说话人确认平台及实现 | 第58-60页 |
| ·系统实验结果 | 第60-66页 |
| ·不同维数MFCC的实验对比 | 第61-64页 |
| ·采用一、二阶差分MFCC | 第64-66页 |
| ·系统的改进 | 第66-74页 |
| ·语音中各帧的得分情况对比 | 第66-68页 |
| ·清音、浊音的特征分析 | 第68-73页 |
| ·改进方案的确定与实现 | 第73-74页 |
| ·改进后系统实验结果对比 | 第74-81页 |
| ·改进后系统精度结果 | 第74-77页 |
| ·改进前后系统精度对比 | 第77-80页 |
| ·改进前后系统运行时间对比 | 第80-81页 |
| ·语音库质量高低对系统精度的影响 | 第81-82页 |
| ·本章小结 | 第82-84页 |
| 6 说话人确认在普适计算E-Learning中的应用 | 第84-92页 |
| ·普适计算与E-Learning系统介绍 | 第84-87页 |
| ·普适计算概述 | 第84-86页 |
| ·普适理念在E-Learning中的应用 | 第86-87页 |
| ·普适计算E-Learning系统设计 | 第87-88页 |
| ·E-Learning系统及相关实现 | 第88-90页 |
| ·本章小结 | 第90-92页 |
| 7 结束语 | 第92-94页 |
| ·已做工作 | 第92页 |
| ·未来展望 | 第92-94页 |
| 参考文献 | 第94-98页 |
| 作者简历 | 第98-102页 |
| 学位论文数据集 | 第102页 |