基于MFCC和SVM的说话人性别识别 建立了普通话语音性别数据库 ,提出联合梅尔频率频谱系数(Mel-frequency Cepstrum Coefficients,MFCC)的特征提取方法和支持向量机(Support Vector Machine,SVM)的分类方法进行说话人性别识别 ,并与其它分类方法进行比较 ,实验结果表明该方法的说话人性别识别准确率达到98.7%,明显优于其它分类器。

机器学习有三类基本的问题，即模式识别、函数逼近和概率密度估计． SVM有着严格的理论基础，建立了一套较好的有限训练样本下机器学习的理论框架和通用方法。他与机器学习是密切相关的，很多理论甚至解决了机器学习领域的其他的问题，所以学习SVM和机器学习是相辅相成的，两者可以互相促进，有助于机器学习理论本质的理解。

对于一个给定的待分类模式， 特征选择要求人们从大量的特征中选取一个最优特征子集， 以代表被分类的模式。对特征选择问题提出了基于一种特殊度量的特征选择方法，先通过对数据集的训练得到特殊的度量，然后用该度量对特征进行分类，从各类中选取一个特征，最后再用特征选择算法对所选的特征进行选择。大量实验的结果表示该方法具有较好的效果。