| 摘要 | 第5-6页 |
| ABSTRACT | 第6-7页 |
| 第1章 绪论 | 第11-19页 |
| 1.1 说话人识别的概述及应用前景 | 第11页 |
| 1.2 说话人识别的发展 | 第11-12页 |
| 1.3 说话人识别的基本问题 | 第12-17页 |
| 1.3.1 不同分类 | 第12-13页 |
| 1.3.2 系统结构 | 第13-14页 |
| 1.3.3 核心技术 | 第14-16页 |
| 1.3.4 系统的评测指标 | 第16-17页 |
| 1.4 本文主要研究内容 | 第17-19页 |
| 第2章 语音信号处理 | 第19-31页 |
| 2.1 语音信号预处理 | 第19-23页 |
| 2.1.1 预加重 | 第19-20页 |
| 2.1.2 加窗处理 | 第20页 |
| 2.1.3 端点检测 | 第20-23页 |
| 2.2 倒谱分析 | 第23-24页 |
| 2.3 提取特征参数 | 第24-29页 |
| 2.4 本章小结 | 第29-31页 |
| 第3章 说话人模型建立 | 第31-49页 |
| 3.1 矢量量化模型 | 第31-39页 |
| 3.1.1 矢量量化的基本原理 | 第31-33页 |
| 3.1.2 矢量量化的失真测度 | 第33-35页 |
| 3.1.3 码本的设计 | 第35-39页 |
| 3.2 高斯混合模型 | 第39-47页 |
| 3.2.1 高斯混合模型的训练 | 第40-41页 |
| 3.2.2 通用背景模型 | 第41-45页 |
| 3.2.3 最大后验概率估计 | 第45-46页 |
| 3.2.4 均值超向量 | 第46-47页 |
| 3.3 本章小结 | 第47-49页 |
| 第4章 说话人模型识别 | 第49-67页 |
| 4.1 统计学习理论 | 第49-51页 |
| 4.1.1 VC维 | 第49页 |
| 4.1.2 结构风险最小化 | 第49-51页 |
| 4.2 支持向量机 | 第51-57页 |
| 4.2.1 最优分类面 | 第51-53页 |
| 4.2.2 核函数 | 第53-54页 |
| 4.2.3 多类分类 | 第54-56页 |
| 4.2.4 LIBSVM的应用 | 第56-57页 |
| 4.3 最小二乘支持向量机 | 第57-60页 |
| 4.3.1 最小二乘支持向量机基本概念 | 第57-58页 |
| 4.3.2 稀疏最小二乘支持向量机 | 第58-59页 |
| 4.3.3 模糊最小二乘支持向量机 | 第59-60页 |
| 4.4 支持向量机在说话人识别中的应用 | 第60-63页 |
| 4.4.1 支持向量机的应用 | 第60页 |
| 4.4.2 最小二乘支持向量机的应用 | 第60-61页 |
| 4.4.3 稀疏最小二乘支持向量机的应用 | 第61-62页 |
| 4.4.4 模糊最小二乘支持向量机的应用 | 第62-63页 |
| 4.5 对数似然得分 | 第63-64页 |
| 4.6 模型参数选择方法 | 第64-65页 |
| 4.7 本章小结 | 第65-67页 |
| 第5章 实验与分析 | 第67-73页 |
| 5.1 实验数据库 | 第67页 |
| 5.2 实验环境与性能指标 | 第67-68页 |
| 5.3 实验设计 | 第68-72页 |
| 5.3.1 不同识别方法的性能对比 | 第68-69页 |
| 5.3.2 三种SVMs算法比较实验 | 第69-71页 |
| 5.3.3 模糊LS-SVM与稀疏LS-SVM对比 | 第71-72页 |
| 5.4 本章小结 | 第72-73页 |
| 第6章 总结与展望 | 第73-75页 |
| 参考文献 | 第75-79页 |
| 致谢 | 第79-81页 |
| 在读期间发表的学术论文与取得的其他研究成果 | 第81页 |