本文關鍵詞：基于GMM與改進LS-SVM算法的說話人識別研究

  更多相關文章： 說話人識別 高斯混合模型 支持向量機 稀疏算法 模糊算法

【摘要】：語音信號中包含著許多信息,例如語音的內容、語音的語種、說話人的性別和身份信息等。說話人識別技術是將語音信號中表明說話人身份的特征提取出來,再利用這些特征來辨別說話人身份的技術。說話人識別不但具有不會遺忘、不需記憶、使用方便等優(yōu)點,還有其獨特的優(yōu)勢,如：傳感器成本低、非接觸性、可用于遠程驗證等,已經逐漸發(fā)展成生物認證領域的關鍵技術。最小二乘支持向量機是說話人識別系統(tǒng)中運用較廣泛的一種方法,其本質上是標準支持向量機的一種改進形式,優(yōu)勢在于樣本訓練速度快、有效克服“維數災難”問題以及易于實現。不過,由于其不具備標準支持向量機解的稀疏性性質,所以導致系統(tǒng)復雜度變大同時影響識別效率,針對這個問題進行研究,提出將高斯混合模型與改進最小二乘支持向量機結合的方法。首先,對最小二乘支持向量機進行深入研究,并且將其運用到說話人識別系統(tǒng)中,避免對先驗知識的需求以及“欠學習”、“過學習”情況的出現。然后,考慮解決系統(tǒng)的學習能力以及抗噪能力的問題,重點研究選擇模型參數的方法,采用K折方法對參數進行優(yōu)化。緊接著,引入K均值預選算法及快速剪枝算法,并將其與最小二乘支持向量機結合起來,用以彌補最小二乘支持向量機解的稀疏性不足的問題。最后,考慮常用的多分類算法存在無法分割的區(qū)域,將模糊算法與稀疏最小二乘支持向量機結合。實驗中對矢量量化方法、對數似然度方法以及標準支持向量機方法進行比較,結果顯示在綜合考慮算法效率以及識別率時,支持向量機效果最好,緊接著在不同大小語音樣本庫前提下,將標準支持向量機、最小二乘支持向量機以及稀疏最小二乘支持向量機的多項指標作對比,可以得出稀疏最小二乘支持向量機算法效率及識別率有所改進,最后將稀疏最小二乘支持向量機與模糊最小二乘支持向量機進行比較,可知模糊最小支持向量機識別率更高。
【關鍵詞】：說話人識別 高斯混合模型 支持向量機 稀疏算法 模糊算法
【學位授予單位】：中國科學技術大學
【學位級別】：碩士
【學位授予年份】：2015
【分類號】：TN912.34
【目錄】：

• 摘要5-6
• ABSTRACT6-11
• 第1章 緒論11-19
• 1.1 說話人識別的概述及應用前景11
• 1.2 說話人識別的發(fā)展11-12
• 1.3 說話人識別的基本問題12-17
• 1.3.1 不同分類12-13
• 1.3.2 系統(tǒng)結構13-14
• 1.3.3 核心技術14-16
• 1.3.4 系統(tǒng)的評測指標16-17
• 1.4 本文主要研究內容17-19
• 第2章 語音信號處理19-31
• 2.1 語音信號預處理19-23
• 2.1.1 預加重19-20
• 2.1.2 加窗處理20
• 2.1.3 端點檢測20-23
• 2.2 倒譜分析23-24
• 2.3 提取特征參數24-29
• 2.4 本章小結29-31
• 第3章 說話人模型建立31-49
• 3.1 矢量量化模型31-39
• 3.1.1 矢量量化的基本原理31-33
• 3.1.2 矢量量化的失真測度33-35
• 3.1.3 碼本的設計35-39
• 3.2 高斯混合模型39-47
• 3.2.1 高斯混合模型的訓練40-41
• 3.2.2 通用背景模型41-45
• 3.2.3 最大后驗概率估計45-46
• 3.2.4 均值超向量46-47
• 3.3 本章小結47-49
• 第4章 說話人模型識別49-67
• 4.1 統(tǒng)計學習理論49-51
• 4.1.1 VC維49
• 4.1.2 結構風險最小化49-51
• 4.2 支持向量機51-57
• 4.2.1 最優(yōu)分類面51-53
• 4.2.2 核函數53-54
• 4.2.3 多類分類54-56
• 4.2.4 LIBSVM的應用56-57
• 4.3 最小二乘支持向量機57-60
• 4.3.1 最小二乘支持向量機基本概念57-58
• 4.3.2 稀疏最小二乘支持向量機58-59
• 4.3.3 模糊最小二乘支持向量機59-60
• 4.4 支持向量機在說話人識別中的應用60-63
• 4.4.1 支持向量機的應用60
• 4.4.2 最小二乘支持向量機的應用60-61
• 4.4.3 稀疏最小二乘支持向量機的應用61-62
• 4.4.4 模糊最小二乘支持向量機的應用62-63
• 4.5 對數似然得分63-64
• 4.6 模型參數選擇方法64-65
• 4.7 本章小結65-67
• 第5章 實驗與分析67-73
• 5.1 實驗數據庫67
• 5.2 實驗環(huán)境與性能指標67-68
• 5.3 實驗設計68-72
• 5.3.1 不同識別方法的性能對比68-69
• 5.3.2 三種SVMs算法比較實驗69-71
• 5.3.3 模糊LS-SVM與稀疏LS-SVM對比71-72
• 5.4 本章小結72-73
• 第6章 總結與展望73-75
• 參考文獻75-79
• 致謝79-81
• 在讀期間發(fā)表的學術論文與取得的其他研究成果81

【參考文獻】

中國碩士學位論文全文數據庫 前1條

1 孫望;語音識別技術的研究及其在發(fā)音錯誤識別系統(tǒng)中的應用[D];南京航空航天大學;2008年

，

本文編號：594911