支持向量机在说话人识别中的应用
| 1 绪论 | 第1-11页 |
| ·语音辨别的历史与现状 | 第6-8页 |
| ·说话人识别的基本原理与应用 | 第8-9页 |
| ·存在问题及研究动态 | 第9-10页 |
| ·本文的任务及所做的工作 | 第10-11页 |
| 2 语音信号的预处理 | 第11-22页 |
| ·语音信号的基本概念 | 第11-12页 |
| ·加性高斯白噪声中的语音增强 | 第12-16页 |
| ·HMM基本概念 | 第12-13页 |
| ·线性预测HMM | 第13-14页 |
| ·利用线性预测HMM进行语音增强 | 第14-16页 |
| ·语音信号的短时能量 | 第16-19页 |
| ·语音的端点检测 | 第19-22页 |
| 3 语音信号特征的提取 | 第22-35页 |
| ·线性预测 | 第22-28页 |
| ·线性预测基本原理 | 第22-25页 |
| ·线性预测分析的求解 | 第25-26页 |
| ·与线性预测系数相关参数的求解 | 第26-28页 |
| ·用小波变换处理语音信号 | 第28-31页 |
| ·语音信号的分形维数 | 第31-32页 |
| ·降低数据规模，提高运算速度 | 第32-35页 |
| 4 支持向量机 | 第35-61页 |
| ·函数集的VC维、结构风险最小化 | 第36-38页 |
| ·支持向量机 | 第38-44页 |
| ·线性支持向量机 | 第38-41页 |
| ·基于核的支持向量机 | 第41-44页 |
| ·SVM的优点和推广能力 | 第44-45页 |
| ·关于SVM中的参数C | 第45-46页 |
| ·SVM中核的构造与选取 | 第46-48页 |
| ·系统中用的核函数 | 第46-48页 |
| ·关于核的选择 | 第48页 |
| ·SVM的训练算法 | 第48-49页 |
| ·SVM的组合 | 第49-51页 |
| ·邻域支持向量机 | 第51-56页 |
| ·邻域支持向量机概念 | 第51-53页 |
| ·单邻域核与双邻域核及确定邻域算法 | 第53-55页 |
| ·计算拉普拉斯类型核的单邻域和双邻域核 | 第55-56页 |
| ·SVM用于多类分类 | 第56-57页 |
| ·用于集成SVM的线性神经网络 | 第57-61页 |
| 5 分类器的设计 | 第61-66页 |
| ·SVM分类器 | 第61页 |
| ·小波神经网络 | 第61-66页 |
| 6 数值试验结果 | 第66-68页 |
| ·小波神经网络数值试验结果 | 第66页 |
| ·SVM数值试验结果 | 第66-67页 |
| ·语音信号预处理效果图示 | 第67-68页 |
| 7 结论 | 第68-70页 |
| 致谢 | 第70-71页 |
| 参考文献 | 第71-74页 |
