| 摘要 | 第5-6页 |
| Abstract | 第6页 |
| 第一章 绪论 | 第10-16页 |
| 1.1 研究背景及意义 | 第10页 |
| 1.2 国内外研究现状 | 第10-14页 |
| 1.2.1 说话人识别的基本原理 | 第10-11页 |
| 1.2.2 说话人识别的分类 | 第11-12页 |
| 1.2.3 判决准则与性能评价标准 | 第12-13页 |
| 1.2.4 说话人识别技术的发展与应用前景 | 第13-14页 |
| 1.2.5 短语音说话人识别技术的研究难点 | 第14页 |
| 1.3 论文主要研究工作与结构安排 | 第14-16页 |
| 第二章 说话人的声学特征提取 | 第16-25页 |
| 2.1 语音信号的预处理 | 第16-17页 |
| 2.1.1 预加重 | 第16页 |
| 2.1.2 端点检测 | 第16-17页 |
| 2.1.3 分帧加窗 | 第17页 |
| 2.2 线性预测系数及其派生参数 | 第17-20页 |
| 2.2.1 线性预测系数 | 第17-18页 |
| 2.2.2 线性预测倒谱系数 | 第18-19页 |
| 2.2.3 残余信号相位 | 第19-20页 |
| 2.3 梅尔倒谱系数 | 第20-23页 |
| 2.4 感知线性预测 | 第23-24页 |
| 2.5 本章小结 | 第24-25页 |
| 第三章 说话人识别模型 | 第25-37页 |
| 3.1 矢量量化模型 | 第25-28页 |
| 3.1.1 矢量量化的基本原理 | 第25-26页 |
| 3.1.2 LBG算法 | 第26-27页 |
| 3.1.3 基于VQ的说话人识别系统 | 第27-28页 |
| 3.2 高斯混合模型 | 第28-31页 |
| 3.2.1 基于GMM参数的最大似然估计 | 第28-30页 |
| 3.2.2 基于GMM说话人识别系统 | 第30-31页 |
| 3.3 隐马尔可夫模型 | 第31-35页 |
| 3.3.1 HMM基本算法 | 第32-35页 |
| 3.3.2 基于HMM的说话人识别系统 | 第35页 |
| 3.4 人工神经网络 | 第35-36页 |
| 3.5 本章小结 | 第36-37页 |
| 第四章 说话人信息与样本长度关系的研究 | 第37-43页 |
| 4.1 基本概念说明 | 第37-38页 |
| 4.2 实验方法与数据 | 第38-40页 |
| 4.2.1 实验数据与平台 | 第38页 |
| 4.2.2 实验结果与分析 | 第38-40页 |
| 4.3 样本长度与性能的关系模型 | 第40-42页 |
| 4.4 本章小结 | 第42-43页 |
| 第五章 修正的特征参数贡献率评价方法 | 第43-48页 |
| 5.1 说话人识别声学特征参数评价方法 | 第43-45页 |
| 5.1.1 特征有效性评价方法 | 第43-44页 |
| 5.1.2 特征贡献率评价方法 | 第44-45页 |
| 5.2 修正的增减分量特征参数评价方法 | 第45-47页 |
| 5.2.1 增减分量法的不足 | 第45-46页 |
| 5.2.2 修正的增减分量法 | 第46-47页 |
| 5.3 本章小结 | 第47-48页 |
| 第六章 基于加权主成分的说话人识别算法 | 第48-64页 |
| 6.1 主成分分析 | 第48-52页 |
| 6.1.1 主成分的概念 | 第48-49页 |
| 6.1.2 主成分的计算 | 第49-51页 |
| 6.1.3 主成分分析在说话人识别中的应用 | 第51-52页 |
| 6.2 主成分分量识别贡献率评价方法 | 第52-60页 |
| 6.2.1 已有的主成分分量重要性评价方法 | 第52-53页 |
| 6.2.2 基于增减分量法的主成分分量重要性评价方法 | 第53-59页 |
| 6.2.3 基于主成分贡献率的主成分选取方法 | 第59-60页 |
| 6.3 基于加权主成分的短语音说话人识别算法 | 第60-63页 |
| 6.3.1 加权的主成分算法 | 第60-61页 |
| 6.3.2 实验与结果分析 | 第61-63页 |
| 6.4 本章小结 | 第63-64页 |
| 总结与展望 | 第64-66页 |
| 参考文献 | 第66-69页 |
| 硕士学位期间取得的研究成果 | 第69-70页 |
| 致谢 | 第70-71页 |
| 附件 | 第71页 |