1. 研究目的与意义
声音识别是指通过语音来自动识别说话人的过程，是根据人的声音来识别说话人的一种生物认证技术，其以独特的方便性、经济性和准确性等优势受到世人瞩目，它在现代许多领域内有良好的应用前景。
声音识别的研究工作可以追溯到20世纪30年代。
早期的工作主要集中在人耳听辨实验和探讨听音识别的可能性方面。
2. 课题关键问题和重难点
目前主要有如下关键问题与难点：HMM训练数据不充分即有参数估计问题，Baum-Welch算法模型在给定一个观察值序列时可以确定一个模型，使得输出概率最大。
由于语音信号可以包含多个系数在内，以其中的LPC倒谱系数，差值倒谱系数，基音周期和差值基音周期的混合特征参数作为声纹识别的特征矢量集，作为本次的参数提供，采用合适的必须参数并选用适当的分析模型对结果分析大有帮助。
用多个观察值序列训练模型参数，若想要深入研究开发，则需要建立一个规模大的，采集声音例子足够多的声纹库，在后台通过大量信息比对筛选来确定采集目标。
3. 国内外研究现状（文献综述）
HMM是在Markov链的基础之上发展起来的。
由于实际问题比Markov链模型所描述的更为复杂，观察到的事件并不是与状态一一对应，而是通过一组概率分布相联系，这样的模型就称为HMM。
它是描述状态的转移。
4. 研究方案
首先是对于声音数据的采集，要在实验室环境下，对说话人正常语言进行采集。
在采集中，包括A/D变换在内的许多采集处理都交由声卡完成了，在此只需要完成对数据的输入控制和存放即可。
故实用中使用的是VC 的关于WAVE数据流的多个低级音频函数。
5. 工作计划
第一周：查找文献资料，对基于隐马尔可夫模型的声音事件识别方法有个大体的了解；第二周：对课题中涉及的知识作深入掌握，掌握参数分析方法、基于隐马尔可夫模型的声音事件识别方法等；第三周：制定研究计划，写开题报告；第四周：学习程序语言以及编程方法；第五周：练习编程；第六周：实现参数分析方法软件部分；第七周：实现基于隐马尔可夫模型的声音事件识别声音采集部分；第八周：实现基于隐马尔可夫模型的声音事件识别结果分析部分；第九周：实现系统软件联调的主要功能；第十周：实现软件的可视化界面；第十一周：程序修改和完善，检验并进行结果分析；第十二周：写论文以及准备答辩内容；第十三周：完善论文以及准备答辩；第十四周：验收程序，上交论文，进行毕业设计答辩；
以上是毕业论文开题报告，课题毕业论文、任务书、外文翻译、程序设计、图纸设计等资料可联系客服协助查找。
