說話人識(shí)別,又稱為聲紋識(shí)別,是一種依據(jù)語音來判別說話人身份的技術(shù)。近些年隨著互聯(lián)網(wǎng)的快速發(fā)展和智能移動(dòng)設(shè)備的普及,人臉識(shí)別、指紋識(shí)別和說話人識(shí)別等身份驗(yàn)證技術(shù)有了廣闊的應(yīng)用市場(chǎng)。說話人識(shí)別的核心是從語音中提取出能表征說話人身份的信息,深度神經(jīng)網(wǎng)絡(luò)因?yàn)榫哂袕?qiáng)大的信息提取與建模能力,已經(jīng)在計(jì)算機(jī)視覺、自然語言處理等領(lǐng)域得到廣泛應(yīng)用,將深度神經(jīng)網(wǎng)絡(luò)引入說話人識(shí)別領(lǐng)域是目前的研究熱點(diǎn)。本文主要工作如下:首先,研究了基于深度神經(jīng)網(wǎng)絡(luò)的說話人識(shí)別系統(tǒng),以梅爾頻率倒譜系數(shù)作為語音的特征參數(shù),搭建了基于深度長(zhǎng)短期記憶網(wǎng)絡(luò)（LSTM）的說話人識(shí)別系統(tǒng)作為基線系統(tǒng)。其次,研究了神經(jīng)網(wǎng)絡(luò)的復(fù)雜性對(duì)系統(tǒng)性能的影響,由于隱層層數(shù)和節(jié)點(diǎn)數(shù)目的改變會(huì)影響系統(tǒng)的識(shí)別效果,所以對(duì)不同層數(shù)和節(jié)點(diǎn)數(shù)的網(wǎng)絡(luò)結(jié)構(gòu)進(jìn)行了識(shí)別率對(duì)比,進(jìn)而選定網(wǎng)絡(luò)結(jié)構(gòu),優(yōu)化了識(shí)別系統(tǒng)。最后,與傳統(tǒng)的說話人識(shí)別系統(tǒng)GMM-UBM進(jìn)行了兩方面的對(duì)比實(shí)驗(yàn)分析,驗(yàn)證了無論是在語音長(zhǎng)度改變還是在說話者個(gè)數(shù)增加的情況下,基于LSTM模型的說話人識(shí)別系統(tǒng)的識(shí)別效果均優(yōu)于傳統(tǒng)模型。 

【文章來源】：南昌大學(xué)江西省 211工程院校

【文章頁數(shù)】：51 頁

【學(xué)位級(jí)別】：碩士

【部分圖文】：

圖３．８網(wǎng)絡(luò)模型的訓(xùn)練??３．４實(shí)驗(yàn)設(shè)計(jì)與分析??驗(yàn)的小對(duì)識(shí)果是重，進(jìn)而到性能最優(yōu)??

?第３章基于深度神經(jīng)網(wǎng)絡(luò)的說話人識(shí)別模型???在對(duì)比實(shí)驗(yàn)中，ＬＳＴＭ的層數(shù)設(shè)置為１、２、３、４、５，層節(jié)點(diǎn)設(shè)置為１２８、２５６，??得到１０組網(wǎng)絡(luò)模型。實(shí)驗(yàn)使用的是ｍｉｎｉ－ｂａｔｃｈ梯度下降法，將ｂａｔｃｈ?ｓｉｚｅ設(shè)??置為５０，梯度裁剪閾值設(shè)為５，采用深度學(xué)習(xí)優(yōu)化器Ａｄａｍ，學(xué)習(xí)率經(jīng)實(shí)驗(yàn)測(cè)試??后設(shè)置為０．?００５，最大迭代次數(shù)為１００，每組模型經(jīng)過多次訓(xùn)練對(duì)結(jié)果取平均值，??得到系統(tǒng)識(shí)別率。如表３．?２所示：???表３．２不同網(wǎng)絡(luò)結(jié)構(gòu)的識(shí)別率???網(wǎng)絡(luò)層數(shù)?１?２?３?４?５??１２８?７８．１３％?８０．２５％?８２．７６％?８４．３２％?８５．０１％??２５６?７９．６６％?８１．６２％?８４．２５％?８５．３７％?８６．１０％??ＬＳＴＭ不同層數(shù)和節(jié)點(diǎn)數(shù)的識(shí)＞?別率對(duì)比??９０－．???—ｌａｙｅｒ?ｎｏｄｅ?２５６??ｌａｙｅｒ?ｎｏｄｅ?１２８??８８?－??７８?－??７６?－??１?２?３?４?５??網(wǎng)絡(luò)層數(shù)??圖３．９不同網(wǎng)絡(luò)結(jié)構(gòu)的識(shí)別率對(duì)比??從圖３．９中可以看出，無論每層節(jié)點(diǎn)如何選擇，隨著神經(jīng)網(wǎng)絡(luò)層數(shù)的增加，??系統(tǒng)識(shí)別率會(huì)隨之提升。層數(shù)相同時(shí)，增加每層的節(jié)點(diǎn)數(shù)，同樣使系統(tǒng)識(shí)別率得??以提高。在一定程度上，隱藏層的增加和節(jié)點(diǎn)數(shù)的增多提高了神經(jīng)網(wǎng)絡(luò)的復(fù)雜性，??達(dá)到了提高識(shí)別率的效果，符合實(shí)驗(yàn)前的預(yù)期效果。??然而，神經(jīng)網(wǎng)絡(luò)的層數(shù)和每層的節(jié)點(diǎn)數(shù)并非越多就會(huì)帶來識(shí)別效果的不斷??提高。系統(tǒng)識(shí)別率隨著層數(shù)增加，識(shí)別率的提升速度逐漸變緩，由于數(shù)據(jù)量一定，??過多增加層數(shù)及節(jié)點(diǎn)數(shù)會(huì)導(dǎo)致系統(tǒng)參數(shù)的大量增加，產(chǎn)生過擬合。??３２??

?第４章實(shí)驗(yàn)設(shè)計(jì)與結(jié)果分析???不同語音長(zhǎng)度下系統(tǒng)的識(shí)別效果對(duì)比??２０?１???ＧＭＭ－ＵＢＭ??？、?一？一?ＬＳＴＭ??１８－??１６??２?４?６?８?１０??語音長(zhǎng)度（２ｓ＞??圖４．１兩種說話人系統(tǒng)的等錯(cuò)誤率對(duì)比??從圖４．１和表４．１可以看到，不論是傳統(tǒng)的ＧＭＭ－ＵＢＭ模型還是ＬＳＴＭ網(wǎng)??絡(luò)模型，系統(tǒng)識(shí)別的等錯(cuò)誤率都隨著語音片段的增加而減校這是由于系統(tǒng)通過??短時(shí)語音片段無法學(xué)習(xí)到長(zhǎng)時(shí)的變化特征，長(zhǎng)時(shí)語音攜帶了說話人更為豐富的??信息，系統(tǒng)使用長(zhǎng)時(shí)語音能使識(shí)別性能得到提高。??ＬＳＴＭ網(wǎng)絡(luò)能夠?qū)r(shí)序數(shù)據(jù)進(jìn)行全局化處理，具備串聯(lián)遠(yuǎn)距離信息加以學(xué)習(xí)??的能力，增加語音的時(shí)序，網(wǎng)絡(luò)的擬合能力會(huì)隨著增強(qiáng)。由于ＬＳＴＭ擁有全局??化處理數(shù)據(jù)的優(yōu)勢(shì)，因而相較于ＧＭＭ－ＵＢＭ識(shí)別系統(tǒng)，在任意長(zhǎng)度測(cè)試語音下??的識(shí)別性能均有明顯優(yōu)勢(shì)，其中在８ｓ時(shí)的識(shí)別效果提升的最快。??４．３基于說話人個(gè)數(shù)增加對(duì)識(shí)別率影響的對(duì)比??說話人識(shí)別的一大考驗(yàn)是用戶數(shù)量增加帶來的識(shí)別率下降。隨著說話人個(gè)??數(shù)的增加，每個(gè)說話人個(gè)體語音之間的相對(duì)差異性會(huì)隨之減小，增加了說話人識(shí)??別系統(tǒng)的識(shí)別的復(fù)雜性，使錯(cuò)誤率增加，降低系統(tǒng)的識(shí)別效果。本實(shí)驗(yàn)以３９維??ＭＦＣＣ作為特征輸入，探宄傳統(tǒng)的ＧＭＭ－ＵＢＭ模型和ＬＳＴＭ網(wǎng)絡(luò)模型在說話人個(gè)數(shù)增??加下識(shí)別效果的表現(xiàn)。兩種系統(tǒng)的實(shí)驗(yàn)結(jié)果分別如圖４．?２和４．?３所示：??３６??


本文編號(hào)：2910039