基于深度學習的說話人識別方法的研究.pdf

1、隨著人類社會的發(fā)展，人們之間的交互方式越來越多樣化，語音信息做為人類特有的生物特征之一，在人類的身份識別或確認上有著重要的地位，有些研究者稱之為人類最天然的生物特征。說話人識別技術(shù)或者說聲紋識別技術(shù)是一種依據(jù)人類的語音特征進行的身份識別技術(shù)。其在很多領(lǐng)域已經(jīng)有了非常重要的應用，比如互聯(lián)網(wǎng)、軍事安全、遠程控制、通信系統(tǒng)、門禁系統(tǒng)等等。
　　自上世紀80年代以來，神經(jīng)網(wǎng)絡迅猛發(fā)展。最近幾年，多倫多大學教授辛頓提出的深度學習理論在圖像識

2、別領(lǐng)域已經(jīng)取得了非常好的效果，其在mnist手寫字數(shù)據(jù)集上的識別率已經(jīng)可以高達百分之99。深度學習是一種基于深度即多層神經(jīng)網(wǎng)絡的學習方式，與傳統(tǒng)的神經(jīng)網(wǎng)絡相比，深度學習克服了非凸函數(shù)陷入局部最小值的缺點，并且可以從底向上學習更好的特征。本文對前饋神經(jīng)網(wǎng)絡、自動編碼機、深度信念網(wǎng)絡在說話人識別技術(shù)上的應用進行了全面分析比較。本人主要完成了以下幾方面工作:
　　第一，綜述了說話人識別技術(shù)的研究歷史及現(xiàn)狀，分析不同說話人識別技術(shù)的優(yōu)缺點

3、，神經(jīng)網(wǎng)絡和深度學習是說話人識別的嶄新方向。
　　第二，研究了說話人識別模型語音預處理階段的工作，包括分幀、梅爾倒譜頻率參數(shù)、模型和算法等，詳細介紹了MFCC參數(shù)的計算過程。
　　第三，探討了前饋神經(jīng)網(wǎng)絡在說話人識別技術(shù)上的應用，分析比較了不同神經(jīng)層數(shù)及神經(jīng)元個數(shù)以及其他參數(shù)對識別率的影響，并且提出前饋神經(jīng)網(wǎng)絡與高斯混合模型結(jié)合的方法，使神經(jīng)網(wǎng)絡工作在GMM的概率輸出空間，獲取了不同說話人之間的交互信息，提高了說話人識別率以

4、及模型的魯棒性。
　　第四，分析了深度學習在說話人識別上的應用。主要分析比較了兩種深度學習模型，即自動編碼機和深度信念網(wǎng)絡的識別效果。證明了深度學習在說話人識別領(lǐng)域是優(yōu)于普通的前饋神經(jīng)網(wǎng)絡的。首次提出使用降噪自動編碼機和受限波爾茲曼機混合模型(HDAE-RBMM)進行說話人識別，研究了其在不同組合狀態(tài)下模型的性能，證明了使用降噪自動編碼機作為淺層模型、受限波爾茲曼機作為深層模型結(jié)合了兩者的優(yōu)勢，可以有效提高識別率，并且隨著網(wǎng)絡層數(shù)

5、的提升效果越明顯。
　　第五，使用整流線性單元代替普通的激活函數(shù)對深度網(wǎng)絡進行了改進，分別探討了預訓練和未經(jīng)預訓練的情況下深度模型的性能，實驗證明使用整流線性單元的深度網(wǎng)絡模型可以極大提升訓練速度，并且從稀疏度的角度來看，使用整流線性單元的未經(jīng)預訓練的深度網(wǎng)絡可以達到和經(jīng)過預訓練的深度模型同樣的稀疏度，因而其識別率比使用sigmoid類函數(shù)要高許多，甚至可以和經(jīng)過預訓練的深度模型較接近。但是整流線性單元與預訓練模型結(jié)合的效果并不是