首页--工业技术论文--无线电电子学、电信技术论文--通信论文--电声技术和语音信号处理论文--语音信号处理论文

基于深度学习和D-S理论的分布式麦克风阵列说话人跟踪算法研究

摘要第2-3页
Abstract第3页
1 绪论第6-10页
    1.1 研究背景第6-7页
    1.2 说话人跟踪算法研究综述第7-9页
    1.3 本文创新点第9页
    1.4 论文结构安排第9-10页
2 课题相关理论基础第10-21页
    2.1 贝叶斯滤波理论第10页
    2.2 卡尔曼滤波第10-14页
    2.3 长短时记忆网络第14-15页
    2.4 分布式数据融合算法第15-17页
    2.5 Dempster-Shafer证据理论第17-21页
3 基于LSTM网络习得运动模型的说话人跟踪第21-35页
    3.1 基于分布式卡尔曼滤波的说话人跟踪原理第21-26页
        3.1.1 常见的运动模型第21-22页
        3.1.2 基于一致性算法的分布式卡尔曼滤波器第22-23页
        3.1.3 基于DKF的说话人跟踪实现步骤第23-26页
    3.2 基于LSTM网络习得运动模型的说话人跟踪原理第26-29页
        3.2.1 说话人运动模型的获得第26-27页
        3.2.2 基于LSTM网络习得运动模型的说话人跟踪实现步骤第27-29页
    3.3 仿真及实验结果分析第29-35页
4 基于D-S理论分布式数据融合的说话人跟踪第35-48页
    4.1 基于D-S证据理论的分布式数据融合第35-39页
        4.1.1 BPA函数的生成第35-38页
        4.1.2 基于D-S数据理论的分布式数据融合算法步骤第38-39页
    4.2 基于D-S理论分布式数据融合的说话人跟踪原理第39-42页
        4.2.1 分布式麦克风阵列说话人跟踪问题中的D-S数据融合方法第39-40页
        4.2.2 基于D-S理论分布式数据融合的说话人跟踪实现步骤第40-42页
    4.3 仿真及实验结果分析第42-48页
结论第48-49页
参考文献第49-52页
攻读硕士学位期间发表学术论文情况第52-53页
致谢第53-55页

论文共55页,点击 下载论文
上一篇:基于时间聚类的MANET信任管理模型
下一篇:基于OFDM系统的物理层安全方法研究