基于独立成分分析的说话人识别技术研究
| 摘要 | 第1-5页 |
| ABSTRACT | 第5-6页 |
| 目录 | 第6-9页 |
| 第一章 绪论 | 第9-18页 |
| ·研究动机 | 第9页 |
| ·说话人识别技术的发展 | 第9-10页 |
| ·说话人识别概论 | 第10-13页 |
| ·说话人识的分类 | 第10-11页 |
| ·说话人特定模型的训练与说话人不特定模型 | 第11-13页 |
| ·说话人辨认系统效能的评估 | 第13-15页 |
| ·说话人识别效能评估 | 第13-14页 |
| ·说话人验证效能评估 | 第14-15页 |
| ·本论文研究的主题与方向 | 第15-18页 |
| 第二章 说话人识别中的特征提取 | 第18-31页 |
| ·基音周期估计 | 第19-23页 |
| ·基音检测预处理 | 第19-20页 |
| ·相关法基音检测算法 | 第20-22页 |
| ·基音检测的后处理 | 第22-23页 |
| ·FFT 倒谱系数 | 第23-24页 |
| ·LPC 倒谱系数 | 第24-26页 |
| ·美尔倒谱系数 | 第26-27页 |
| ·语音信号的过渡倒谱系数提取 | 第27-28页 |
| ·混合参数 | 第28-31页 |
| 第三章 说话人识别中的模式识别 | 第31-39页 |
| ·模板匹配方法 | 第32-34页 |
| ·最近邻居分类法 | 第34-35页 |
| ·高斯混合模型法 | 第35-39页 |
| ·模型描述 | 第36-37页 |
| ·最大可能性的参数预估 | 第37-39页 |
| 第四章 独立成分分析和主成分分析 | 第39-56页 |
| ·主成分分析法 | 第39-45页 |
| ·主成分的概念 | 第40-41页 |
| ·主成分的计算 | 第41-43页 |
| ·第一主成分的计算 | 第41-42页 |
| ·第k个主成分的计算 | 第42-43页 |
| ·样本主成分 | 第43-44页 |
| ·主成分的选取 | 第44页 |
| ·主成分分析的性质 | 第44-45页 |
| ·均方误差最小原则下的最优降维 | 第44-45页 |
| ·主成分的性质 | 第45页 |
| ·独立成分分析法 | 第45-48页 |
| ·ICA 定义 | 第46页 |
| ·独立性定义 | 第46-47页 |
| ·ICA 和投影法 | 第47-48页 |
| ·ICA 分类 | 第48页 |
| ·ICA 估计原理 | 第48-53页 |
| ·非高斯的最大化 | 第48-51页 |
| ·互信息的最小化 | 第51-52页 |
| ·最大似然函数估计(ML) | 第52-53页 |
| ·ICA 算法 | 第53-54页 |
| ·ICA 中的信号预处理 | 第54-56页 |
| 第五章 说话人识别实验系统设计 | 第56-66页 |
| ·说话人辨认实验系统 | 第56-57页 |
| ·说话人辨认实验系统的训练 | 第57-59页 |
| ·说话人辨认实验系统的测试 | 第59-61页 |
| ·时间-频率独立成分分析的实现 | 第61-66页 |
| ·时间-频率独立成分分析 | 第61-62页 |
| ·求取时间-频率独立成分 | 第62-66页 |
| ·单FastICA | 第62-64页 |
| ·多FastICA | 第64-66页 |
| 第六章 实验背景与结果 | 第66-69页 |
| ·实验背景 | 第66-67页 |
| ·实验结果 | 第67-69页 |
| 第七章 课题总结与展望 | 第69-70页 |
| 致谢 | 第70-71页 |
| 参考文献 | 第71-73页 |
