發(fā)布時間：2017-05-12 12:13

  本文關鍵詞：基于GMM-SVM說話人識別的信道算法研究，由筆耕文化傳播整理發(fā)布。

【摘要】：人與人之間相互交流溝通的直接方式是語音，語音信號傳播各種有效信息，是承載信息的媒介有著多層次的研究價值。語音作為人類的直接交流工具，由于不同人發(fā)音器官等的差異以及后天環(huán)境所引起的特性，使得其成為身份識別的重要工具。語音信號攜帶者說話人特有的差異特征信息，傳達了說話人的語義內(nèi)容，并且還包含了人物本身特定的生理特性、心情等重要的個人信息，使得研究并利用其特性進行實際應用具有很高的價值。隨著越來越多的科研工作者致力于語音識別相關領域，其應用更加廣泛。 說話人識別屬于生物識別的一種，通過音頻信號提取相應的特征信息作為說話人的個性特征，并應用數(shù)學理論對其進行分析，從而達到身份識別的目的。說話人識別以人所發(fā)出的語音信號為出發(fā)點，從而決定了其相對廉價及易于應用的特性。特征信號的提取只需要簡單的音頻輸入設備即可，也使得其更容易被廣泛應用和接受。在說話人識別取得較大進展的時下而言，該技術大規(guī)模地應用仍然需要解決相當多的問題，隨著越來越多的研究人員參與其中，逐漸成為了當前的研究熱點。 隨著說話人識別技術的不斷發(fā)展，研究人員提出多種語音特征參數(shù)，并且將動態(tài)時間規(guī)整算法、矢量量化、隱馬爾可夫鏈等用于說話人識別。論文結合了高斯混合模型(Gaussian Mixture Model, GMM)及支持向量機(Support Vector Machine, SVM)，建立了GMM-SVM說話人識別的基礎算法，其相對于以往的算法其具有更好的數(shù)據(jù)表征能力，更優(yōu)秀的分類性能，更好的識別效率。通過進一步研究發(fā)現(xiàn)其識別率進一步提高受到信道因素影響較為嚴重。為了彌補GMM-SVM說話人識別的這一缺點，，本文對特征級與模型級信道補償技術進行了研究: 1、特征級信道處理中，針對說話人語音信號特征易受到加性噪聲及線性信道干擾而引起失配這一問題，本文提出了采用特征彎折技術對語音特征數(shù)據(jù)進行處理。特征彎折應用累積分布函數(shù)的原理把說話人的特征向量變?yōu)闃藴史植嫉奶卣餍蛄�，增強語音特征對于信道的魯棒性及說話人識別抗噪聲性能，在漸變的噪聲環(huán)境及信道失配情形下都能獲得較好的魯棒性。特征彎折作為特征歸一化方法應用于說話人識別中，提高了說話人識別的信道魯棒性，加強其對于不同應用環(huán)境的適應性能，從而提高說話人識別的性能與準確性。 2、說話人模型是通過與信道相關的說話人特征矢量建立的，其模型中不可避免的有著信道信息分量的干擾，影響說話人識別的準確率。針對這一問題，本文提出了采用因子分析算法從說話人模型分離出說話人空間，信道空間及各自分別對應的特征向量，消除其倒譜特征中存在的冗余分量。通過將隱藏在觀測數(shù)據(jù)表面之下的說話人及信道信息分離，得到相應的特征空間及特征矢量，最終獲得信道無關的說話人模型數(shù)據(jù)作為支持向量機的訓練數(shù)據(jù)。實驗結果表明，應用了因子分析技術模型級信道補償算法的GMM-SVM的說話人識別方法在識別效率上超過了傳統(tǒng)的GMM-SVM方法，具有更好的信道魯棒性。 實驗結果證明算法性能得到了一定提升。特征彎折算法有效的降低了信道因素對于倒譜特征的干擾，減小了信號畸變對于說話人識別性能的影響，提高了識別效果。因子分析技術對信道因子進行估計并消除，降低信道因素對于說話人模型的影響，提高了算法的性能。
【關鍵詞】：高斯混合模型 支持向量機 因子分析 說話人識別
【學位授予單位】：吉林大學
【學位級別】：碩士
【學位授予年份】：2015
【分類號】：TN912.34
【目錄】：

• 摘要4-6
• Abstract6-11
• 第1章 緒論11-15
• 1.1 研究背景及意義11-12
• 1.2 國內(nèi)外研究現(xiàn)狀12-13
• 1.3 研究工作概述13-14
• 1.4 論文組織結構14-15
• 第2章 說話人識別理論15-25
• 2.1 說話人識別概述15-18
• 2.1.1 說話人識別的基本方法16-18
• 2.2 GMM 說話人識別18-21
• 2.2.1 高斯混合模型18-19
• 2.2.2 GMM 參數(shù)估計19-20
• 2.2.3 GMM 說話人識別20-21
• 2.3 GMM-SVM 說話人識別21-25
• 2.3.1 基于 GMM-SVM 的說話人識別算法23-25
• 第3章 基于特征彎折的特征級信道魯棒性算法研究25-35
• 3.1 特征級信道魯棒性算法25-27
• 3.1.1 倒譜均值減25
• 3.1.2 倒譜方差歸一化25-26
• 3.1.3 特征映射26
• 3.1.4 特征彎折26-27
• 3.2 基于特征彎折的信道補償算法27-30
• 3.3 基于特征彎折的 GMM-SVM 說話人識別30-31
• 3.4 實驗結果與分析31-35
• 3.4.1 實驗結果對比32-33
• 3.4.2 分析及結論33-35
• 第4章 基于因子分析的模型級信道補償算法研究35-50
• 4.1 模型級信道補償35-41
• 4.1.1 冗余屬性映射36
• 4.1.2 說話人模型合成36-38
• 4.1.3 基于鑒別性向量的信道補償38-39
• 4.1.4 基于因子分析的信道補償39-41
• 4.2 基于因子分析的信道補償算法41-45
• 4.2.1 因子分析模型42-43
• 4.2.2 因子分析算法43-45
• 4.3 基于因子分析的 GMM-SVM 說話人識別45-46
• 4.4 實驗結果與分析46-50
• 第5章 總結與展望50-52
• 5.1 工作總結50-51
• 5.2 研究展望51-52
• 參考文獻52-55
• 作者簡介及在學期間所取得的科研成果55-56
• 致謝56

【參考文獻】

中國期刊全文數(shù)據(jù)庫 前10條

1 劉雪燕;張娜;袁寶玲;;說話人識別綜述[J];電腦知識與技術;2009年01期

2 何金鑫;康凱;關勝曉;;與文本無關的聲紋識別系統(tǒng)的研究[J];電子技術;2013年02期

3 李俊頡;葛良全;涂小芳;;說話人識別系統(tǒng)的實現(xiàn)[J];電子制作;2014年05期

4 魏君穎;魏維;;說話人識別特征提取算法改進[J];成都信息工程學院學報;2014年S1期

5 黃奮;馬皓;鄧菁;;說話人識別技術在社保系統(tǒng)中的遠程身份認證應用研究[J];電子技術與軟件工程;2014年02期

6 沈思秋;呂勇;楊蕓;齊彥云;;基于說話人特有特征集的GMM和i-矢量方法的說話人識別[J];電子設計工程;2014年23期

7 林琳;陳虹;陳建;金煥梅;;基于多核SVM-GMM的短語音說話人識別[J];吉林大學學報(工學版);2013年02期

8 趙玉曉;顧秀秀;張二華;;與文本無關說話人識別[J];計算機與數(shù)字工程;2014年02期

9 栗志意;張衛(wèi)強;何亮;劉加;;基于核函數(shù)的IVEC-SVM說話人識別系統(tǒng)研究[J];自動化學報;2014年04期

10 李壯輝;;基音特征融合高斯混合模型的說話人識別研究[J];測控技術;2014年06期

中國博士學位論文全文數(shù)據(jù)庫 前2條

1 蔣曄;基于短語音和信道變化的說話人識別研究[D];南京理工大學;2013年

2 王琳琳;說話人識別中的時變魯棒性問題研究[D];清華大學;2013年

  本文關鍵詞：基于GMM-SVM說話人識別的信道算法研究，由筆耕文化傳播整理發(fā)布。

本文編號：359745