导读:本文包含了说话验证论文开题报告文献综述、选题提纲参考文献，主要关键词:说话,上海铁路局,基音,在线,京沪线,模型,对数。
说话验证论文文献综述写法
张翠玲[1]（2019）在《基于案件现实条件的法庭说话人识别系统验证》一文中研究指出对法庭分析系统进行验证测试是保证其司法应用的前提和基础。国际上,不同法庭科学实验室在法庭说话人识别实践中采用的方法、系统和评价体系并不一致。然而,无论采用何种方法或系统,都应该基于被检案件的实际条件进行测试、验证和评价。首先,从国际上对于科学证据的要求出发,阐明进行法庭说话人识别系统验证的重要性和必要性;其次,介绍验证的基本原则和程序方法;最后,通过一项多系统验证评价的范例,表明司法实践中如何进行法庭说话人识别系统的验证评测,并对其中的重要问题加以总结说明。(本文来源于《中国人民公安大学学报(自然科学版)》期刊2019年03期）
徐涌钞[2]（2018）在《基于高频和瓶颈特征的说话人验证系统重放攻击检测方法》一文中研究指出当今时代,生物学身份验证的应用领域越来越广泛,然而相关研究表明:生物学验证技术比较容易遭受恶意欺诈攻击。虽然对电子欺诈检测的研究已经取得了一些研究进展,但这个问题仍有诸多难点尚未攻克,生物学身份验证系统依然很容易受到欺诈攻击的影响。说话人验证系统作为一种典型的生物学验证系统,其可靠性和安全性都需要欺诈检测技术来确保。近年来,重放攻击检测技术已成为说话人识别电子欺诈检测领域的研究热点,该领域急需新的研究方法来解决重放攻击电子欺诈检测这一问题。为提升重放攻击检测方法的性能,本文将对基于声学信号处理的检测方法以及基于深度学习的检测方法进行较为深入的探索。在基于声学信号处理的检测方法中,本文首先从信号传播的角度对重放攻击特性进行理论分析,论证了高频特征用于重放攻击检测的可行性,进而通过提取高频声学特征以及多种特征处理方法进行说话人验证中的重放攻击电子欺诈检测研究,进而提高重放攻击检测的性能。在基于深度学习的检测方法中,本文将通过构建深度神经网络来提取瓶颈特征(Bottleneck Feature)并应用集成学习方法分类来进行重放攻击欺诈检测研究。本文对重放攻击特性进行了深入研究,并针对重放攻击检测问题对逆梅尔倒谱系数(Inverted Mel Frequency Cepstral Coefficient,IMFCC)[1]进行了改进,提出了修正逆梅尔倒谱系数(Correction Inverted Mel Frequency Cepstral Coefficient,CIMFCC),所进行的改进也包括布莱克曼窗函数以及均值方差归一化的应用。实验表明,CIMFCC是一种可以有效检测欺诈语音的声学特征,基于CIMFCC的检测方法相较于基线系统等错误率(Equal Error Rate,EER)[2]相对下降达51.06%。为解决改善声学信号处理方法中高频区分性信息损失问题,本文提出了基于深度学习的瓶颈特征,将卷积深度神经网络(Convolutional Deep Neural Network,CDNN)作为捕捉频谱高频区分性信息的特征提取方法,瓶颈特征由CDNN中的瓶颈层生成,瓶颈层将与分类相关的信息强制转换为一个低维度的表示,即瓶颈特征可视为输入特征的低维度非线性表示,同时实验表明,瓶颈特征对欺诈检测问题是一种更为有效的检测特征。以瓶颈特征为基础的模型在评估集上表现出了最好的检测性能EER为8.40%,同时实验表明,集成学习模型要比简单的机器学习模型更为适合解决重放攻击检测问题。(本文来源于《哈尔滨工业大学》期刊2018-06-01）
曹智英[3]（2015）在《基于说话人识别的IVR验证系统》一文中研究指出信息时代,信息的安全性和验证的便利性是各大公司和系统需要考虑的首要点和重点。基于说话人识别的IVR验证系统,通过说话人识别组件分析用户的语音信息,并给出匹配相似度,再辅以验证几组安全问题,可以大大提高验证的准确性和缩短验证流程的时间,具有很好的实际应用价值。(本文来源于《网络安全技术与应用》期刊2015年01期）
陈忠荣,吴琼[4]（2013）在《教师纠正性反馈语与看图说话:可理解输出假设验证的初中生视角》一文中研究指出文章以看图说话为路径来探寻初中生语言可理解性输出假设理论在中国环境下的现实性。研究发现:1.看图说话中"要求—不要求"、"要求—提醒"、"要求—不提醒"组口语表现有显着差异;"提醒—不提醒"、"不要求—不提醒"、"不要求—提醒"组学生的表现没有显着性差异;2.教师的纠正反馈语可以提高初中生语言的"可理解性输出"的频率,学生对于教师常用的"明确纠正法"、"诱导法"反应更敏感;3.在学生看来,教师的"部分重说法"有利于他们口语水平的提高。(本文来源于《江西教育学院学报》期刊2013年05期）
陈雪芳,杨继臣[5]（2013）在《交叉验证KNN支持向量预选取算法在说话人识别上的应用》一文中研究指出针对传统支持向量机算法时空复杂度较高的不足,提出了一种基于交叉验证KNN的支持向量预选取算法。该算法首先对原始样本求k个的邻近样本,然后计算邻近样本中异类样本的比例p1,最后选取满足p1大于阈值p的原始样本作为支持向量。通过交叉验证方法确定k与p的最合适的数值。在UCI标准数据集和说话人识别数据集上的仿真实验显示算法可有效地降低支持向量机分类器的运行时间,同时又具有较好的分类性能。(本文来源于《科学技术与工程》期刊2013年20期）
董远,陆亮,赵贤宇,赵建[6]（2009）在《对本文无关的说话人验证中模型距离归一化问题的研究(英文)》一文中研究指出Model distance normalization(D-Norm)is one of the useful score normalization approaches in automatic speaker verification(ASV)systems.The main advantage of D-Norm lies in that it does not need any additional speech data or external speaker population,as opposed to the other state-of-the-art score normalization approaches.But still,it has some drawbacks,e.g., the Monte-Carlo based Kullback-Leibler distance estimation approach in the conventional D-Norm approach is a time consuming and computation costly task.In this paper,D-Norm was investigated and its principles were explored from a perspective different from the original one.In addition,this paper also proposed a simplified approach to perform D-Norm,which used the upper bound of the KL divergence between two statistical speaker models as the measure of model distance.Experiments on NIST 2006 SRE corpus showed that the simplified approach of D-Norm achieves similar system performance as the conventional one while the computational complexity is greatly reduced.(本文来源于《自动化学报》期刊2009年05期）
吴炳森,周丽生[7]（2006）在《用精品说话 让平安验证》一文中研究指出京沪铁路电气化改造工程，全长1453公里。这样一条世界上最繁忙的大干线，从2005年7月破土动工到2006年7月1日通车，总共用了1年时间。其中由中铁二十四局集团承建的上海铁路局管内592公里、82个车站的土建、电力、通信、信(本文来源于《中国铁道建筑报》期刊2006-07-04）
李大治[8]（2002）在《基于在线垃圾模型的说话验证技术的研究》一文中研究指出由于识别结果不可能100％正确，有必要对识别结果的可靠性加以判断并对识别结果的正确性加以验证，将误识和不属于识别范围之内的语音拒识。这就是说话验证完成的工作。本论文针对词库外的词汇和错误识别进行拒识，以期达到减少识别错误，提高系统的识别率，降低虚警率的目的。 论文建立了以HMM为基础的语音识别系统。在对HMM的基本概念和基本问题进行了介绍。详细的阐述了本论文建立的语音识别系统，逐步给出了对HMM建模的训练及识别过程的步骤和公式算法，最后在特定人和非特定人两个系统中进行了试验，并给出结果和分析。 论文介绍了说话验证的数学基础和评价手段。应用统计假设检验的理论，详细的推导了说话验证，最后给出了一般说话验证的评价方法及本论文采用的评价方法和参数。 论文应用判别式分从模式识别的角度详细排导了判别式分析的方法，得出加权矢量和门限的公式。介绍了在线垃圾模型和N-best得分的含义，以及取得这两种信息的途径和相关公式，建立了不同级别的拒识手段，并且用判别式的方法统一于一个判别函数f(x)中进行验证，最后在特定人和非特定人两个系统中进行了试验，并给出了实验结果和分析。 论文建立了Hexapod Ⅱ机器人语音控制系统，并简要介绍了机器人语音控制系统，最后进行了试验和分析。(本文来源于《中国人民解放军国防科学技术大学》期刊2002-11-01）
蒋烈辉,王淑英,程自强[9]（1994）在《一个文本相关的说话人验证系统的实现》一文中研究指出本文详细介绍了一个说话人合作的、文本相关的说话人验证系统的实现。(本文来源于《信息工程学院学报》期刊1994年04期）
说话验证论文开题报告范文
（1）论文研究背景及目的
此处内容要求：
首先简单简介论文所研究问题的基本概念和背景，再而简单明了地指出论文所要研究解决的具体问题，并提出你的论文准备的观点或解决方法。
写法范例：
当今时代,生物学身份验证的应用领域越来越广泛,然而相关研究表明:生物学验证技术比较容易遭受恶意欺诈攻击。虽然对电子欺诈检测的研究已经取得了一些研究进展,但这个问题仍有诸多难点尚未攻克,生物学身份验证系统依然很容易受到欺诈攻击的影响。说话人验证系统作为一种典型的生物学验证系统,其可靠性和安全性都需要欺诈检测技术来确保。近年来,重放攻击检测技术已成为说话人识别电子欺诈检测领域的研究热点,该领域急需新的研究方法来解决重放攻击电子欺诈检测这一问题。为提升重放攻击检测方法的性能,本文将对基于声学信号处理的检测方法以及基于深度学习的检测方法进行较为深入的探索。在基于声学信号处理的检测方法中,本文首先从信号传播的角度对重放攻击特性进行理论分析,论证了高频特征用于重放攻击检测的可行性,进而通过提取高频声学特征以及多种特征处理方法进行说话人验证中的重放攻击电子欺诈检测研究,进而提高重放攻击检测的性能。在基于深度学习的检测方法中,本文将通过构建深度神经网络来提取瓶颈特征(Bottleneck Feature)并应用集成学习方法分类来进行重放攻击欺诈检测研究。本文对重放攻击特性进行了深入研究,并针对重放攻击检测问题对逆梅尔倒谱系数(Inverted Mel Frequency Cepstral Coefficient,IMFCC)[1]进行了改进,提出了修正逆梅尔倒谱系数(Correction Inverted Mel Frequency Cepstral Coefficient,CIMFCC),所进行的改进也包括布莱克曼窗函数以及均值方差归一化的应用。实验表明,CIMFCC是一种可以有效检测欺诈语音的声学特征,基于CIMFCC的检测方法相较于基线系统等错误率(Equal Error Rate,EER)[2]相对下降达51.06%。为解决改善声学信号处理方法中高频区分性信息损失问题,本文提出了基于深度学习的瓶颈特征,将卷积深度神经网络(Convolutional Deep Neural Network,CDNN)作为捕捉频谱高频区分性信息的特征提取方法,瓶颈特征由CDNN中的瓶颈层生成,瓶颈层将与分类相关的信息强制转换为一个低维度的表示,即瓶颈特征可视为输入特征的低维度非线性表示,同时实验表明,瓶颈特征对欺诈检测问题是一种更为有效的检测特征。以瓶颈特征为基础的模型在评估集上表现出了最好的检测性能EER为8.40%,同时实验表明,集成学习模型要比简单的机器学习模型更为适合解决重放攻击检测问题。
（2）本文研究方法
调查法：该方法是有目的、有系统的搜集有关研究对象的具体信息。
观察法：用自己的感官和辅助工具直接观察研究对象从而得到有关信息。
实验法：通过主支变革、控制研究对象来发现与确认事物间的因果关系。
文献研究法：通过调查文献来获得资料，从而全面的、正确的了解掌握研究方法。
实证研究法：依据现有的科学理论和实践的需要提出设计。
定性分析法：对研究对象进行“质”的方面的研究，这个方法需要计算的数据较少。
定量分析法：通过具体的数字，使人们对研究对象的认识进一步精确化。
跨学科研究法：运用多学科的理论、方法和成果从整体上对某一课题进行研究。
功能分析法：这是社会科学用来分析社会现象的一种方法，从某一功能出发研究多个方面的影响。
模拟法：通过创设一个与原型相似的模型来间接研究原型某种特性的一种形容方法。
说话验证论文参考文献
[1].张翠玲.基于案件现实条件的法庭说话人识别系统验证[J].中国人民公安大学学报(自然科学版).2019
[2].徐涌钞.基于高频和瓶颈特征的说话人验证系统重放攻击检测方法[D].哈尔滨工业大学.2018
[3].曹智英.基于说话人识别的IVR验证系统[J].网络安全技术与应用.2015
[4].陈忠荣,吴琼.教师纠正性反馈语与看图说话:可理解输出假设验证的初中生视角[J].江西教育学院学报.2013
[5].陈雪芳,杨继臣.交叉验证KNN支持向量预选取算法在说话人识别上的应用[J].科学技术与工程.2013
[6].董远,陆亮,赵贤宇,赵建.对本文无关的说话人验证中模型距离归一化问题的研究(英文)[J].自动化学报.2009
[7].吴炳森,周丽生.用精品说话让平安验证[N].中国铁道建筑报.2006
[8].李大治.基于在线垃圾模型的说话验证技术的研究[D].中国人民解放军国防科学技术大学.2002
[9].蒋烈辉,王淑英,程自强.一个文本相关的说话人验证系统的实现[J].信息工程学院学报.1994