| 摘要 | 第3-4页 |
| ABSTRACT | 第4-5页 |
| 1 绪论 | 第8-14页 |
| 1.1 引言 | 第8-9页 |
| 1.2 国内外研究现状 | 第9-12页 |
| 1.3 本文的主要内容 | 第12页 |
| 1.4 本文文章结构 | 第12-14页 |
| 2 本文算法基本原理 | 第14-32页 |
| 2.1 语音信号的预处理 | 第15-17页 |
| 2.1.1 预加重 | 第15-16页 |
| 2.1.2 端点检测（VAD） | 第16页 |
| 2.1.3 分帧与加窗 | 第16-17页 |
| 2.2 语音信号的特征参数提取 | 第17-22页 |
| 2.2.1 线性预测倒谱系数（LPCC） | 第18-19页 |
| 2.2.2 梅尔频率倒谱系数（MFCC） | 第19-21页 |
| 2.2.3 MFCC中加入能量信息和动态参数 | 第21-22页 |
| 2.3 分类器 | 第22-28页 |
| 2.3.1 高斯混合模型-通用背景模型（GMM-UBM） | 第22-26页 |
| 2.3.2 支持向量机 | 第26-27页 |
| 2.3.3 随机森林 | 第27-28页 |
| 2.4 算法性能评价标准 | 第28-31页 |
| 2.4.1 等错率 | 第29页 |
| 2.4.2 DET曲线 | 第29-30页 |
| 2.4.3 检测代价函数（DCF） | 第30-31页 |
| 2.4.4 帕金森诊断实验评价指标 | 第31页 |
| 2.5 本章小结 | 第31-32页 |
| 3 多类型语音特征的封装式进化选择框架算法研究 | 第32-48页 |
| 3.1 FSF-WRGAF算法语音特征提取模块—GFCC参数提取 | 第33-36页 |
| 3.2 链式智能体遗传算法（CAGA） | 第36-39页 |
| 3.3 FSF-WRGAF算法封装式语音特征选择模块 | 第39-41页 |
| 3.4 实验结果与分析 | 第41-46页 |
| 3.4.1 实验条件 | 第41-42页 |
| 3.4.2 提取的特征类型分析 | 第42-44页 |
| 3.4.3 FSF-WrGAF算法选择的语音特征性能分析 | 第44页 |
| 3.4.4 相关算法的识别性能比较 | 第44-46页 |
| 3.4.5 噪声下相关语音特征参数的识别性能比较 | 第46页 |
| 3.5 本章小结 | 第46-48页 |
| 4 极低信噪比下多类型特征学习用于说话人确认 | 第48-54页 |
| 4.1 极低信噪比噪声下基于DP的基音频率提取（DP_PEFAC算法） | 第49-51页 |
| 4.2 实验结果与分析 | 第51-53页 |
| 4.2.1 实验条件 | 第52页 |
| 4.2.2 极低信噪比下识别性能比较 | 第52-53页 |
| 4.3 本章小结 | 第53-54页 |
| 5 基于语音样本重复剪辑和随机森林的帕金森症辅助诊断算法研究 | 第54-68页 |
| 5.1 语音数据特征提取 | 第54-58页 |
| 5.2 样本重复剪辑近邻算法 | 第58-59页 |
| 5.3 实验结果与分析 | 第59-66页 |
| 5.3.1 实验条件 | 第59-60页 |
| 5.3.2 本文算法分类结果与分析 | 第60-61页 |
| 5.3.3 语音样本优选效果与分析 | 第61-64页 |
| 5.3.4 分类平稳性比较分析 | 第64-65页 |
| 5.3.5 分类算法的显著性差异分析 | 第65-66页 |
| 5.4 结论 | 第66-68页 |
| 6 总结与展望 | 第68-70页 |
| 6.1 总结 | 第68-69页 |
| 6.2 展望 | 第69-70页 |
| 致谢 | 第70-72页 |
| 参考文献 | 第72-78页 |
| 附录 | 第78页 |
| A. 作者在攻读学位期间取得的科研成果 | 第78页 |
| B. 作者在攻读学位期间参与的科研项目 | 第78页 |
