文本無關(guān)的說話人識(shí)別研究.pdf

1、說話人識(shí)別通過說話人的聲音確認(rèn)其身份，具有其他身份認(rèn)證技術(shù)不具備的優(yōu)勢(shì)，而且語音采集過程簡單，用戶接受度高，在軍事、公安司法部門和互聯(lián)網(wǎng)等領(lǐng)域有著廣泛的應(yīng)用。
　　說話人識(shí)別系統(tǒng)的性能易受背景環(huán)境、說話人身體狀況情緒變化及信道失配等問題的影響，提高特征表示能力成為提升系統(tǒng)性能的關(guān)鍵。從特征選擇與提取的角度出發(fā)，本文將常向量方法和深度學(xué)習(xí)應(yīng)用到說話人識(shí)別的主流模型中；改進(jìn)了GMM模型初始化算法；提出了一種GMM超向量的規(guī)整和構(gòu)成方法

2、；從特征補(bǔ)償?shù)慕嵌瘸霭l(fā)，本文對(duì)GMM-SVM和全變量因子分析的規(guī)整和補(bǔ)償技術(shù)進(jìn)行研究。通過實(shí)驗(yàn)驗(yàn)證上述引入和改進(jìn)的方法能夠提高確認(rèn)系統(tǒng)的分類準(zhǔn)確率。
　?、俦疚囊氤Ｏ蛄糠椒▽?duì)原始頻譜特征進(jìn)行空間變換，提取更加有效的語音特征。將CVA與GMM-UBM、GMM-SVM和全變量因子分析模型相結(jié)合，論證了常向量方法應(yīng)用于說話人識(shí)別中的有效性。
　?、诒疚囊肷疃葘W(xué)習(xí)對(duì)原始頻譜特征進(jìn)行逐層信息抽取，學(xué)習(xí)到的深度特征作為GMM-UBM

3、和全變量因子分析模型的輸入，論證了深度特征應(yīng)用于說話人識(shí)別中的有效性。
　　本文主要研究工作如下：
　　①對(duì)語音的特征分析與提取進(jìn)行研究。本文對(duì)語音信號(hào)的預(yù)處理、時(shí)域以及頻域特征進(jìn)行簡單介紹。
　?、诨诔Ｏ蛄糠椒ǖ恼f話人識(shí)別研究。本文通過理論分析和實(shí)驗(yàn)論證了將常向量方法應(yīng)用到說話人識(shí)別中可有效提高系統(tǒng)的性能；改進(jìn)了GMM模型初始化方法；提出了一種GMM超向量的規(guī)整和構(gòu)成方法；對(duì)全變量因子分析中的規(guī)整方法和信道補(bǔ)償技術(shù)