基于GMM说话人分类的说话人识别系统研究
| 中文摘要 | 第1页 |
| 英文摘要 | 第4-8页 |
| 第一章 引言 | 第8-16页 |
| ·研究背景与现状 | 第8-9页 |
| ·说话人识别概述 | 第9-10页 |
| ·说话人识别的概念 | 第9页 |
| ·说话人识别的分类 | 第9-10页 |
| ·说话人识别的基本原理和系统结构 | 第10页 |
| ·说话人识别的主要技术 | 第10-12页 |
| ·特征提取 | 第10-12页 |
| ·说话人识别的模式匹配 | 第12页 |
| ·说话人识别系统性能评价标准 | 第12-14页 |
| ·说话人识别的应用前景 | 第14页 |
| ·说话人识别研究的热点 | 第14-15页 |
| ·论文内容安排 | 第15-16页 |
| 第二章 语音信号预处理 | 第16-25页 |
| ·语音信号预加重 | 第16页 |
| ·语音信号加窗分帧 | 第16-17页 |
| ·语音信号时域分析 | 第17-18页 |
| ·短时能量和短时平均幅度 | 第17页 |
| ·短时过零率 | 第17-18页 |
| ·短时自相关函数 | 第18页 |
| ·语音信号端点检测 | 第18-25页 |
| ·传统端点检测算法 | 第18-19页 |
| ·本文采用的端点检测算法 | 第19-22页 |
| ·端点检测的算法比较 | 第22-25页 |
| 第三章 语音信号特征提取 | 第25-36页 |
| ·线性预测倒谱系数LPCC 的提取方法 | 第25-27页 |
| ·美尔频率倒谱系数MFCC 的提取方法 | 第27-30页 |
| ·感知线性预测系数PLPC 的提取方法 | 第30-31页 |
| ·基于小波包变换特征参数的提取方法 | 第31-34页 |
| ·小波包的定义 | 第31-32页 |
| ·小波包的算法 | 第32-33页 |
| ·小波包变换参数提取 | 第33-34页 |
| ·其他语音特征 | 第34-36页 |
| 第四章 说话人识别方法 | 第36-55页 |
| ·高斯混合模型 | 第36-41页 |
| ·模型描述 | 第37页 |
| ·最大似然参数估计 | 第37-41页 |
| ·说话人识别方法 | 第41页 |
| ·小波神经网络 | 第41-51页 |
| ·小波分析 | 第42-44页 |
| ·小波神经网络的结构 | 第44-46页 |
| ·小波神经网络的学习方法 | 第46页 |
| ·小波神经网络在说话人识别中的应用 | 第46-51页 |
| ·分级说话人识别方法 | 第51-55页 |
| ·网络概述 | 第51-52页 |
| ·类模型的训练 | 第52-55页 |
| 第五章 说话人识别系统实现 | 第55-65页 |
| ·特征提取 | 第56-59页 |
| ·美尔倒谱系数的提取实现 | 第56-57页 |
| ·基于小波包特征参数的提取实现 | 第57-58页 |
| ·特征参数提取实验结果 | 第58-59页 |
| ·说话人识别 | 第59-65页 |
| ·识别系统具体实现 | 第59-61页 |
| ·说话人识别实验结果 | 第61-65页 |
| 第六章 结论 | 第65-66页 |
| 参考文献 | 第66-70页 |
| 致谢 | 第70-71页 |
| 在学期间发表的学术论文和参加科研情况 | 第71页 |
