| 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 |
