改進(jìn)支持向量機(jī)在說(shuō)話人識(shí)別中的應(yīng)用.pdf

1、將支持向量機(jī)(SVM)模型應(yīng)用在說(shuō)話認(rèn)識(shí)別技術(shù)領(lǐng)域,是當(dāng)前的一個(gè)研究熱點(diǎn)。SVM是一種區(qū)分性模型,適合處理小樣本的分類問題,具有很強(qiáng)的分類能力。但在實(shí)際環(huán)境中,文本無(wú)關(guān)的說(shuō)話人識(shí)別系統(tǒng)需要較大的語(yǔ)音數(shù)據(jù),將SVM直接用于訓(xùn)練模型時(shí),會(huì)產(chǎn)生訓(xùn)練速度慢、算法復(fù)雜而難以實(shí)現(xiàn)和分類結(jié)果易受核函數(shù)參數(shù)影響等問題。本文采用高斯聚類(GMM)方法對(duì)大量語(yǔ)音數(shù)據(jù)進(jìn)行分類,利用粒子群算法(PSO)對(duì)SVM的核函數(shù)參數(shù)進(jìn)行優(yōu)化,有效改善了說(shuō)話人識(shí)別系統(tǒng)的識(shí)

2、別性能。針對(duì)標(biāo)準(zhǔn)PSO算法容易陷入局部最優(yōu)的缺點(diǎn),提出一種改進(jìn)的PSO算法。本文主要工作如下:
　　1、前端特征參數(shù)提取部分:詳細(xì)分析了語(yǔ)音端點(diǎn)檢測(cè)技術(shù)、特征選擇和特征變換技術(shù)。本文提出了譜熵端點(diǎn)檢測(cè)算法,相對(duì)于傳統(tǒng)的端點(diǎn)檢測(cè)算法,即使在信噪比較低的情況下,也能準(zhǔn)確的檢測(cè)出語(yǔ)音信號(hào)的始末點(diǎn)。此外,對(duì)不同組合的特征參數(shù)進(jìn)行分析,并對(duì)選擇的合適的特征參數(shù)進(jìn)行高斯聚類,減少SVM的訓(xùn)練量。
　　2、討論了兩種說(shuō)話人識(shí)別方法:基于P