改進(jìn)支持向量機(jī)在說話人識別中的應(yīng)用.pdf

1、將支持向量機(jī)(SVM)模型應(yīng)用在說話認(rèn)識別技術(shù)領(lǐng)域,是當(dāng)前的一個研究熱點(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,文本無關(guān)的說話人識別系統(tǒng)需要較大的語音數(shù)據(jù),將SVM直接用于訓(xùn)練模型時,會產(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)方法對大量語音數(shù)據(jù)進(jìn)行分類,利用粒子群算法(PSO)對SVM的核函數(shù)參數(shù)進(jìn)行優(yōu)化,有效改善了說話人識別系統(tǒng)的識

2、別性能。針對標(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)分析了語音端點(diǎn)檢測技術(shù)、特征選擇和特征變換技術(shù)。本文提出了譜熵端點(diǎn)檢測算法,相對于傳統(tǒng)的端點(diǎn)檢測算法,即使在信噪比較低的情況下,也能準(zhǔn)確的檢測出語音信號的始末點(diǎn)。此外,對不同組合的特征參數(shù)進(jìn)行分析,并對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、討論了兩種說話人識別方法:基于P