多分类支持向量机的研究及在说话人识别中的应用-自动化基础-论文之家

您现在的位置：硕士论文 >> 电子论文 >> 自动化 >> 自动化基础 >> 正文

多分类支持向量机的研究及在说话人识别中的应用

作者：张耿 Publish: 2007-10-16 Hits:-

【中文题名】

多分类支持向量机的研究及在说话人识别中的应用

【英文题名】

【学科专业】

计算机软件与理论

【论文级别】

硕士论文

【投稿时间】

2007-10-16

【中关键词】

支持向量机,多分类算法,说话人识别,,,

【英关键词】

Support Vector Machine,multi-classification algorithm,Speaker recognition,

【分类导航】

工业技术>自动化技术、计算机技术>自动化基础理论>人工智能理论>>

【论文摘要】

支持向量机算法是统计学习理论中最年轻的分支。它以统计学习理论中的VC维理论和结构风险最小原理为基础，根据有限的样本信息在模型的复杂性与学习能力之间寻求最佳折衷，获得了较好的推广能力。基于此，支持向量机正得到越来越广泛的应用。由于支持向量机在实质上只能解决两分类问题，而现实中多分类问题则更为常见。将SVM推广到多分类领域是一个正在研究中的问题。本文基于这一主题，在研究了当前几种常见的多分类支持向量机算法的基础上，结合这些算法各自性能上的特点并充分考虑到测试时间与测试精度在实际应用中的重要性，提出了在OAO—SVMs算法中引入分层思想的H—OAO-SVMs模型。同时，由于多分类情况下样本集通常过于庞大，本文还提出了一种基于“黄金分割”的样本裁减方法。为了验证H-OAO—SVMs模型的有效性与实用性，本文将该模型引入到说话人识别领域。所谓说话人识别，是指通过对说话人语音信号的分析处理，自动确认说话人是否在记录的话者集合中，以及进一步确认说话人的身份。针对H-OAO-SVMs模型，在对12个话者语音信号进行采样的基础上，本文进行了说话人识别的实验，并对实验结果在时间与精度等方面的特性进行...

【论文题纲】

摘要	3-4
ABSTRACT	4-5
目录	5-8
第一章绪论	8-11
1.1 支持向量机研究背景	8
1.2 说话人识别研究背景	8-9
1.3 本论文的主要工作	9-10
1.4 研究意义	10-11
第二章支持向量机原理	11-22
2.1 机器学习	11-16
2.1.1 机器学习的函数估计模型	11
2.1.2 机器学习问题的表示	11-12
2.1.3 损失函数	12-13
2.1.4 归纳原则	13-16
2.2 支持向量机	16-22
2.2.1 最优超平面	17
2.2.2 Merce定理	17-18
2.2.3 支持向量机的分类	18-21
2.2.4 支持向量机的核函数	21-22
第三章多分类支持向量机算法分析	22-36
3.1 确定多类目标函数方法	22
3.2 SVM组合方法	22-27
3.2.1 one-against-all	23
3.2.2 one-against-one	23-24
3.2.3 层次多类支持向量机算法	24-25
3.2.4 基于决策导向无环图的多类支持向量机算法	25-26
3.2.5 纠错编码	26-27
3.2.6 多分类 SVMs算法优缺点比较	27
3.3 多分类支持向量机算法的训练时间分析	27-32
3.3.1 OAO-SVMs训练时间分析	27-29
3.3.2 H-SVMs的训练时间性能分析	29-31
3.3.3 其他多分类 SVMs的训练时间性能分析	31
3.3.4 多种多分类 SVMs算法训练时间性能比较	31-32
3.4 多分类支持向量机算法的测试时间分析	32-34
3.4.1 OAO-SVMs与DDAG-SVMs测试时间的分析	32-33
3.4.2 OAA-SVMs测试时间的分析	33
3.4.3 ECC-SVMs测试时间的分析	33
3.4.4 H-SVMs测试时间的分析	33-34
3.4.5 多种多分类 SVMs算法测试时间性能比较	34
3.5 多分类支持向量机算法的分类精度	34-35
3.6 本章小结	35-36
第四章一种新的多分类支持向量机算法	36-52
4.1 H-OAO-SVMs拓扑结构	36-37
4.2 拓扑结构确立中的关键问题	37-46
4.3 H-OAO-SVMs的性能分析	46-47
4.3.1 H-OAO-SVMs训练时间分析	46-47
4.3.2 H-OAO-SVMs测试性能分析	47
4.4 样本的预处理	47-51
4.5 本章小结	51-52
第五章说话人识别基础	52-57
5.1 说话人识别技术的分类	52-53
5.2 说话人识别的基本原理	53
5.3 说话人识别的特征提取过程	53-55
5.3.1 语音信号的预处理	53-54
5.3.2 特征参数的选择	54-55
5.4 说话人识别的主要方法	55-56
5.5 说话人识别的评估标准	56-57
第六章基于H-OAO-SVMs的说话人识别算法	57-74
6.1 端点检测	57-59
6.1.1 双门限比较法	58
6.1.2 双门限比较法的检测流程	58-59
6.2 语音识别特征参数的提取	59-61
6.2.1 选用MFCC参数的根据与意义	59-60
6.2.2 MFCC参数的提取算法	60-61
6.3 基于H-OAO-SVMs的说话人识别算法的功能模块划分	61-64
6.3.1 算法的分析模块	61-62
6.3.2 算法的训练模块	62-64
6.3.3 算法的识别模块	64
6.4 评判标准	64-66
6.4.1 一条语音段的说话人归属判决标准	65
6.4.2 说话人判决标准	65
6.4.3 说话人判决正确率与H-OAO-SVMs判决正确率的关系	65-66
6.5 基于H-OAO-SVMs的说话人识别实验及讨论	66-74
6.5.1 实验软硬件环境	66-67
6.5.2 音频信号的采集与MFCC参数的提取	67-68
6.5.3 特征参数的训练	68-71
6.5.4 特征参数的测试	71-74
第七章总结与展望	74-76
参考文献	76-80
致谢	80-81
攻读学位期间主要的研究成果	81

【DOI】

LunWen.ID:2.2008.389037



付费论文：有参考文献 300元

1、注册会员 2、购买本文 3、下载文章
注:此文为收费论文，需付费购买。每页大约1000字。

代写论文流程

载入中…

Web lunwenjia


热门搜索：支持向量机论文多分类算法说话人识别

自动化基础最新论文

自动化基础热门论文