基于排序GMM的說話人確認的研究.pdf

1、隨著社會的不斷進步和文明的不斷發(fā)展，要求對特定說話人的身份進行鑒定的要求也越來越高。在所有的認證技術(shù)中，生物特征認證技術(shù)因其基于人類自身的生理和行為等特性的獨特優(yōu)勢而得到廣泛的應(yīng)用，顯示出生物特征認證技術(shù)在實際應(yīng)用中的廣闊前景。在已有的生物特征認證技術(shù)中，與文本無關(guān)的說話人確認被認為是最自然的生物特征認證技術(shù)之一，它是通過特定說話人的語音進行說話人身份認證的，也是語音識別研究中非常重要的一個研究方向。絕大多數(shù)的與文本無關(guān)的說話人確認系統(tǒng)

2、都是基于短時倒譜參數(shù)和GMM-UBM-MAP模型結(jié)構(gòu)的，采用這種結(jié)構(gòu)的與文本無關(guān)的說話人確認系統(tǒng)已經(jīng)達到了很高的識別率。
　　 系統(tǒng)的識別性能和運算量是選擇說話人確認系統(tǒng)的兩個最重要的標準。在傳統(tǒng)的訓練UBM過程中，對于每一個輸入特征矢量，需要計算UBM中所有高斯分量的似然分，由于UBM采用高階的高斯混合模型，并且是由大量的不同冒認者語音訓練得到，所以訓練UBM的運算量相當大，這在一定程度上限制了基于GMM-UBM-MAP結(jié)構(gòu)的

3、說話人確認系統(tǒng)的應(yīng)用。針對與文本無關(guān)的說話人確認問題，本文深入研究了減少訓練UBM的運算量，提高訓練UBM的速度的方法。主要研究內(nèi)容如下：
　　 1.詳細介紹了基于GMM-UBM-MAP結(jié)構(gòu)的與文本無關(guān)的說話人確認系統(tǒng)，討論了GMM的訓練算法和MAP算法。
　　 2.介紹了具有良好區(qū)分性的SVM模型，深入討論了SVM應(yīng)用于說話人確認系統(tǒng)中面臨的問題，并比較了GMM-UBM-MAP結(jié)構(gòu)和GMM-Sup-SVM結(jié)構(gòu)的與文本無

4、關(guān)的說話人確認系統(tǒng)的性能。
　　 3.介紹了兩種基于短時分析的聲道倒譜參數(shù)MFCC、LPCC的提取方法，并且討論了它們在說話人確認中的有效性和魯棒性。
　　 4.深入分析了訓練UBM模型過程中運算量大的問題，介紹一種基于排序高斯混合模型的訓練UBM的方法，該方法可以降低訓練UBM的運算量，提高訓練UBM的速度，它將UBM中各個混合度按照預定的準則進行順序排列，輸入的訓練語音幀只需要參與到所有混合度中的部分高斯分量的訓練中