| 摘要 | 第4-5页 |
| Abstract | 第5页 |
| 缩略词注释表 | 第8-9页 |
| 第一章 绪论 | 第9-16页 |
| 1.1 背景及意义 | 第9页 |
| 1.2 说话人识别的研究历史 | 第9-11页 |
| 1.3 说话人识别的研究趋势 | 第11-12页 |
| 1.4 说话人识别研究的挑战和热点 | 第12-13页 |
| 1.5 说话人识别的应用 | 第13-14页 |
| 1.6 论文内容和结构安排 | 第14-16页 |
| 第二章 说话人识别理论基础 | 第16-31页 |
| 2.1 说话人识别系统流程 | 第16-17页 |
| 2.2 语音预处理 | 第17页 |
| 2.3 常用的特征参数 | 第17-22页 |
| 2.3.1 线性预测系数及线性预测倒谱系数 | 第18-19页 |
| 2.3.2 Mel频率倒谱系数 | 第19-21页 |
| 2.3.3 差分特征（Delta特征） | 第21-22页 |
| 2.4 常用的识别模型 | 第22-29页 |
| 2.4.1 高斯混合模型（GMM） | 第22-26页 |
| 2.4.2 隐马尔可夫模型HMM | 第26-27页 |
| 2.4.3 矢量量化模型（VQ） | 第27-28页 |
| 2.4.4 支持向量机模型(SVM) | 第28-29页 |
| 2.5 系统性能评价 | 第29-30页 |
| 2.6 本章小结 | 第30-31页 |
| 第三章 基于稀疏表示与GMM均值矩阵的识别模型研究 | 第31-44页 |
| 3.1 稀疏表示 | 第31-33页 |
| 3.1.1 稀疏表示基础理论 | 第31-32页 |
| 3.1.2 常用稀疏表示算法 | 第32-33页 |
| 3.2 基于稀疏表示的说话人识别 | 第33-35页 |
| 3.3 基于稀疏表示与GMM均值矩阵的识别模型 | 第35-38页 |
| 3.3.1 说话人识别模型建立 | 第35-36页 |
| 3.3.2 识别过程 | 第36-38页 |
| 3.4 仿真实验语音库和参数设置 | 第38-39页 |
| 3.4.1 语音库 | 第38页 |
| 3.4.2 实验参数设置 | 第38-39页 |
| 3.5 识别仿真 | 第39-42页 |
| 3.5.1 实验一：稀疏度对识别率的影响 | 第39-40页 |
| 3.5.2 实验二：字典大小对识别率的影响 | 第40页 |
| 3.5.3 实验三：高斯混合度对识别率的影响 | 第40-42页 |
| 3.5.4 实验四：测试语音长度对识别率的影响 | 第42页 |
| 3.6 本章小结 | 第42-44页 |
| 第四章 稀疏表示字典性能研究 | 第44-49页 |
| 4.1 字典分类 | 第44-45页 |
| 4.1.1 样本字典 | 第44页 |
| 4.1.2 K-SVD学习字典 | 第44-45页 |
| 4.2 字典性能对比 | 第45-48页 |
| 4.2.1 无噪环境下性能对比 | 第46页 |
| 4.2.2 有噪环境下性能对比 | 第46-47页 |
| 4.2.3 有噪环境下识别字典的设计 | 第47-48页 |
| 4.3 本章小结 | 第48-49页 |
| 第五章 噪声环境下基于稀疏表示的说话人识别 | 第49-61页 |
| 5.1 基于稀疏表示的全局补偿方法 | 第50-51页 |
| 5.2 全局补偿方法 | 第51-54页 |
| 5.2.1 字典训练 | 第51-52页 |
| 5.2.2 识别过程 | 第52-54页 |
| 5.3 仿真实验 | 第54-59页 |
| 5.3.1 实验一：噪声环境下不同方法的识别率对比 | 第55-57页 |
| 5.3.2 实验二：添加不同噪声进行字典训练效果对比 | 第57-58页 |
| 5.3.3 实验三：稀疏度对识别结果的影响 | 第58-59页 |
| 5.3.4 实验四：多阶去除 | 第59页 |
| 5.4 本章小结 | 第59-61页 |
| 第六章 总结与展望 | 第61-63页 |
| 6.1 论文总结 | 第61-62页 |
| 6.2 工作展望 | 第62-63页 |
| 参考文献 | 第63-68页 |
| 附录1 攻读硕士学位期间撰写的论文 | 第68-69页 |
| 附录2 攻读硕士学位期间参加的科研项目 | 第69-70页 |
| 致谢 | 第70页 |
