探讨神经网络基于聚类和神经网络集成说话人识别策略
最后更新时间:2024-01-28
作者:用户投稿本站原创
点赞:15592
浏览:62521
论文导读:53.3本章小结25-26第四章神经网络集成26-334.1BP神经网络26-304.1.2BP算法概述26-274.1.3BP算法数学描述27-294.1.4BP算法程序的实现29-304.2神经网络集成概述30-314.2.1神经网络集成思想的产生304.2.2神经网络集成原理30-314.3神经网络集成构建办法31-324.3.1个体创建31-324.3.2结论合成324.4本章小结32-3
摘要:说话人识别技术是根据语音信号特点来自动识别说话人的身份。作为一种生物认证技术,与其他技术相比它更方便、经济、安全,被广泛用于网络、国防、安全等领域中。由此,对说话人识别技术的探讨具有普遍的实用价值和重要作用。在本论文的开头对说话人识别进行了概述,对其基本原理和识别体系结构从及实现历程做了简单简介。首先,分析了说话人识别体系常用的两种主流特点参数,即LPCC和MFCC。其次,对本论文探讨内容所要用到的论述背景知识——聚类分析和神经网络集成做了充分详细的简介。接下来,针对传统k-means算法用于语音信号矢量聚类方面的缺陷,提出了基于方差的加权几何距离对传统k-means算法进行改善,对特点矢量的各分量按方差大小加权,加权因子是矢量方差的倒数。将改善的算法与BP_Adaboost集成模型结合后,把二者运用到说话人识别体系中。最后在Matlab软件上进行了仿真实验。首先,对语音信号进行了预处理等一系列处理。因为梅尔倒频谱系在反映人耳的听觉特性上更具优势。所从在特点参数的选择方面,我们选择了梅尔倒频谱系数作为特点参数,使其作为体系模型训练和识别的输入向量,对模型训练和学习。最后,将基于本论文办法的说话人识别体系分别和基于单BP神经网络模型从及基于BP_Adaboost集成模型的说话人识别体系进行实验比较,从此来验证本论文办法的有效性。关键词:说话人识别论文梅尔倒频谱系数论文k-means聚类论文神经网络集成论文Matlab论文
本论文由www.7ctime.com,需要可从关系人员哦。摘要6-7
ABSTRACT7-9
第一章 绪论9-15
3.
第四章 神经网络集成26-33
4.
4.
第五章 基于聚类分析和神经网络集成的说话人识别体系33-39
6.
攻读硕士学位期间取得的科研成果52-53
致谢53
摘要:说话人识别技术是根据语音信号特点来自动识别说话人的身份。作为一种生物认证技术,与其他技术相比它更方便、经济、安全,被广泛用于网络、国防、安全等领域中。由此,对说话人识别技术的探讨具有普遍的实用价值和重要作用。在本论文的开头对说话人识别进行了概述,对其基本原理和识别体系结构从及实现历程做了简单简介。首先,分析了说话人识别体系常用的两种主流特点参数,即LPCC和MFCC。其次,对本论文探讨内容所要用到的论述背景知识——聚类分析和神经网络集成做了充分详细的简介。接下来,针对传统k-means算法用于语音信号矢量聚类方面的缺陷,提出了基于方差的加权几何距离对传统k-means算法进行改善,对特点矢量的各分量按方差大小加权,加权因子是矢量方差的倒数。将改善的算法与BP_Adaboost集成模型结合后,把二者运用到说话人识别体系中。最后在Matlab软件上进行了仿真实验。首先,对语音信号进行了预处理等一系列处理。因为梅尔倒频谱系在反映人耳的听觉特性上更具优势。所从在特点参数的选择方面,我们选择了梅尔倒频谱系数作为特点参数,使其作为体系模型训练和识别的输入向量,对模型训练和学习。最后,将基于本论文办法的说话人识别体系分别和基于单BP神经网络模型从及基于BP_Adaboost集成模型的说话人识别体系进行实验比较,从此来验证本论文办法的有效性。关键词:说话人识别论文梅尔倒频谱系数论文k-means聚类论文神经网络集成论文Matlab论文
本论文由www.7ctime.com,需要可从关系人员哦。摘要6-7
ABSTRACT7-9
第一章 绪论9-15
1.1 说话人识别技术的探讨背景和作用9
1.2 说话人识别技术概述9-11
1.2.1 说话人识别体系结构9-10
1.2.2 说话人识别模型10-11
1.2.3 说话人识别体系的性能评价11
1.3 说话人识别技术的探讨与进展11-13
1.3.1 说话人识别技术的探讨11-12
1.3.2 说话人识别技术的进展12-13
1.4 说话人识别技术的运用近况13
1.5 论文的内容安排从及创新点13-15
第二章 语音信号特点参数分析及提取15-212.1 语音信号产生原理15-16
2.2 说话人识别常用的特点参数16
2.1 线性预测倒谱系数(LPCC)16
2.2 梅尔倒谱系数(MFCC)16
2.3 语音信号特点参数提取16-20
2.3.1 采样与量化17
2.3.2 语音信号预处理17
2.3.3 特点参数提取算法17-20
2.4 本章小结20-21
第三章 聚类分析21-263.1 聚类分析概述21-24
3.1.1 簇的定义21-22
3.1.2 数学表示22-23
3.1.3 聚类分析探讨的主要内容23-24
3.2 主要聚类办法24-253.
2.1 划分办法24
3.2.2 层次办法24
3.2.3 基于密度办法24
3.2.4 基于网格办法24-25
3.2.5 基于模型办法25
3.3 本章小结25-26第四章 神经网络集成26-33
4.1 BP 神经网络26-30
4.1.2 BP 算法概述26-27
4.1.3 BP 算法数学描述27-29
4.1.4 BP 算法程序的实现29-30
4.2 神经网络集成概述30-314.
2.1 神经网络集成思想的产生30
4.2.2 神经网络集成原理30-31
4.3 神经网络集成构建办法31-324.
3.1 个体创建31-32
4.3.2 结论合成32
4.4 本章小结32-33第五章 基于聚类分析和神经网络集成的说话人识别体系33-39
5.1 改善的 k-means 聚类算法33-37
5.1.1 k-means 算法基本思想33-34
5.1.2 基于传统 k-means 算法的改善34-35
5.1.3 改善后 k-means 算法仿真实验35-37
5.2 BP_AdaBoost 神经网络集成对策37-385.3 本章小结38-39
第六章 仿真实验和分析39-486.1 实验平台39
6.1.1 硬件环境39
6.1.2 软件环境39
6.2 实验 1:语音特点参数提取39-456.
2.1 语音采样39-40
6.2.2 语音信号预处理40-43
6.论文导读:2.3特点参数的选择43-456.3实验2:识别实验45-476.4本章小结47-48第七章总结和展望48-497.1总结487.2展望48-49参考文献49-52攻读硕士学位期间取得的科研成果52-53致谢53上一页122.3 特点参数的选择43-45
6.3 实验 2:识别实验45-47
6.4 本章小结47-48
第七章 总结和展望48-497.1 总结48
7.2 展望48-49
参考文献49-52攻读硕士学位期间取得的科研成果52-53
致谢53