1、“.....其核心是分类问题。声纹识别系统般由部分组成数据获取预处理特征提取和选择以及分类决策。我们可以将每个待识别的说话人的语音输入看作是个信源，预处理过程中采用哈明窗进行加窗分帧处理。特征提取阶段主要是从语音数据中获取反映说话人个人特征的参数，反映说话人语音特征的参数应尽量多的表征说话人个人信息。本文采用了在噪声环境中更有优势的进行特征提取。分类决策就是在特征空间中用统计方法把被识别对象归为类别，基本作法是在样本训练集基础上确定个判决规则，使得按这种判决规则对被识别对象进行分类所造成的识别率最小......”。

2、“.....实验结果及分析本文的实验数据来自人的语音信息集合。训练数据为普通房间录音和声音判决结果测试语音训练语音语音信号端点检测语音信号特征提取说话人的模型计算似然函数文件提取。语音信号采集频率都为，帧长为点，帧移为点。说话人与文本无关。在方法中，训练时将每位说话人的训练语音特征矢量与其他所有人的训练语音特征矢量分别标记为，类，每位说话人的语音训练得到的特征矢量按聚类提取阶特征矢量，每阶特征矢量当成个训练样本构成的输入，阶特征矢量构成个类的个训练样本，其他人共个样本构成另类。测试时，将每帧测试语音特征矢量输入到个训练支持向量机中......”。

3、“.....当所有的测试语音特征矢量判别完毕后，将判别为类和类的次数求和，次数多的类即为该说话人所属类。测试结果见表实验表明，在声纹识别中，基于支持向量机的分类器的分类效果比较明显。支持向量机进行训练时，使用正反两类的数据，从而具有很强的区分能力，适合于声纹识别。结语,非线性可分,得到,,，折衷考虑最少错分样本和最大分类间隔，就得到广义最优分类面，其中是个常数，它控制对错分样本惩罚的程度。乘子需要的限制。线性可分的情况相当于∞,松弛变量和相关的乘子都是间接参与问题......”。

4、“.....下图显示了时的分类情况，，其中为参数，显然，线性核函数可以看作多项式核函数的种特殊情况。，，支持向量机可以选用满足定条件的核函数，把在输入空间中线性不可分问题映射到个特征空间的线性可分问题，即确定最优分离超平面。,,,的关键在于核函数。支持向量机可以找到个非线性映射，把输入空间中的线性不可分数据集映射到高维特征空间中的线性可分数据集中。低维空间向量集通常难于划分，解决的方法是将它们映射到高维空间。但这个办法带来的困难就是计算复杂度的增加，而核函数正好巧妙地解决了这个问题。也就是说，只要选用适当的核函数......”。

5、“.....采用不同的核函数将导致不同的算法。常用的核有以下几种，话的人是谁。简单来说，声纹识别过程就是特征提取阶段的语音特征获取过程,训练阶段的用户语音模板或模型建立过程和识别阶段的模式匹配与判决过程。声纹识别主要采用线性预测倒谱系数美尔倒谱系数的声纹特征，识别模型采用向量量化模型隐马尔可夫模型高斯混合模型支持向量机模型等。和适合处理连续信号，而适合于分类问题。和受极大似然准则的限制，类别区分能力较弱，其结果反映了同类样本的相似度，而的输出结果则体现了异类样本间的差异，具有很强的分类能力......”。

6、“.....而在解决非线性小样本算法复杂高维数等识别问题中也有明显的特定优势。以此现在采用有效的机器学习方法改造识别模型以及修正声纹特征被认为是提升声纹识别性能的关键途径之。支持向量机是从线性可分情况下的最优分类面发展而来的,所谓最优分类线就是要求分类线不但能将两类正确分开训练率为,而且使分类间隔最大推广到高维空间，最优分类线就变为最优分类面。设维空间中的线性判别函数,分类面方程。这样分类间隔就等于,因此要求分类间隔最大,就要求最大而要求分类面对所有样本正确分类,就是要求满足,则称训练集是线性可分的。要使最大......”。

7、“.....以求确定个在技术上合理经济上合算的最优方案和最佳时机而写的书面报告可行性研究报告主要内容是要求以全面系统的分析为主要方法，经济效益为核心，围绕影响项目的各种因素，运用大量的经济效益为核心，围绕影响项目的各种因素，运用大量的可行性研究报告是在制定建设或科研项目之前，对该项目实施的可能性有效性技术方案及技术政策进行具体深入细致的技术论证和经济评价......”。

8、“.....经济效益为核心，围绕影响项目的各种因素，运用大量的基于支持向量机的声纹识别摘要声纹识别这种技术的实现使人类向人机自由交流迈进了大步。支持向量机是种基于统计的新型机器学习方法，也是模式识别中常用的种分类方法。本文采用对语音信号进行特征提取，测试音通过识别算法与训练的说话人语音模板进行匹配。关键词支持向量机声纹识别核函数最优分离超平面前言基于声纹识别具有声纹识别有不会遗失无须记忆和使用方便等优点，使其有着广阔的市场与应用前景。通过这种技术，可以利用人本身的生物特征进行身份鉴别。声纹识别就是根据集成在语音波上的个人信息......”。

9、“.....由个未知的说话人与个已知的说话人数据库进行语音信号比较，从而可以从已经由许多的说话人训练的系统中辨认出发言者。说话人辨认是个拒绝或接受说话人身份的过程。声纹识别系统本质上是个基于统计的模式识别系统，其核心是分类问题。声纹识别系统般由部分组成数据获取预处理特征提取和选择以及分类决策。我们可以将每个待识别的说话人的语音输入看作是个信源，预处理过程中采用哈明窗进行加窗分帧处理。特征提取阶段主要是从语音数据中获取反映说话人个人特征的参数，反映说话人语音特征的参数应尽量多的表征说话人个人信息。本文采用了在噪声环境中更有优势的进行特征提取......”。