基于支持向量機的說話人識別研究.pdf

1、在說話人識別領(lǐng)域，基于支持向量機（Support Vector Machine，SVM）的識別方法是當(dāng)今的研究熱點。同其他模式識別方法相比該方法主要有兩個不同點：一是它采用一個非線性核函數(shù)來表示特征空間的內(nèi)積，另外一方面它采用分類間隔最大的最優(yōu)分類超平面實現(xiàn)結(jié)構(gòu)風(fēng)險最小化。而這些特征使得支持向量機方法能得到廣泛的應(yīng)用。 論文詳細(xì)闡述了說話人識別的基本原理和實現(xiàn)過程。首先對特征參數(shù)的提取做了較深入的研究，對當(dāng)今最常用的線性預(yù)測倒譜

2、系數(shù)和美爾倒譜系數(shù)的理論基礎(chǔ)和實現(xiàn)過程做了闡述，并將這些參數(shù)和其差分參數(shù)相組合，測試它們提取說話人個性特征的準(zhǔn)確程度。用不同的特征參數(shù)構(gòu)造說話人識別系統(tǒng)并考察它們對系統(tǒng)識別率和抗噪性能的影響。 核函數(shù)是支持向量機模型的核心機制，函數(shù)類型的選擇和參數(shù)的整定對于分類的準(zhǔn)確度至關(guān)重要。論文闡述了核函數(shù)的基本理論，對目前常用的多項式核函數(shù)、徑向基核函數(shù)及多層感知器核函數(shù)進行了仿真和分析，測試了它們在干凈語音和加噪語音環(huán)境下的系統(tǒng)識別率和穩(wěn)

3、健度。 為縮短說話人識別系統(tǒng)的訓(xùn)練時間，在對樣本進行基于支持向量機的訓(xùn)練之前，需要對樣本進行約簡。論文總結(jié)了該領(lǐng)域的理論成果并給予歸納，提出了一種新的約簡方法--支持聚類區(qū)提取法（Support Cluster Abstracting，SCA），闡述了該方法的理論基礎(chǔ)并給出了具體實現(xiàn)步驟，并對SCA方法和傳統(tǒng)的方法進行了實驗和分析，用實驗演示了算法對線性可分樣本邊界的描述準(zhǔn)確度?？疾炝怂惴▽€性不可分樣本即語音樣本在約簡率和識別