基于稀疏表示和信道補(bǔ)償?shù)恼f話人識(shí)別.pdf

1、隨著各種安全問題的不斷出現(xiàn)，生物識(shí)別技術(shù)受到了越來越多的重視。說話人識(shí)別以其簡(jiǎn)單、安全等特性得到了廣泛的應(yīng)用。經(jīng)典的GMM-UBM模型雖然取得了不錯(cuò)的效果，但是其計(jì)算量過大，區(qū)分性不強(qiáng)，且背景噪聲和信道失配等問題也導(dǎo)致了系統(tǒng)性能的下降。本文針對(duì)這些問題展開了研究，主要研究的內(nèi)容有:
　　首先，采用二階差分MFCC特征參數(shù)來刻畫說話人的語(yǔ)音特征，使用經(jīng)典的GMM-UBM模型。在此基礎(chǔ)上增加了i-vector向量，相比于聯(lián)合因子分析的

2、方法，i-vector只需訓(xùn)練一個(gè)全局差異空間，用這個(gè)全局差異空間來表示與說話人相關(guān)和與信道相關(guān)的信息。每個(gè)說話人的語(yǔ)音特征就由i-vector向量來表示。在i-vector空間上應(yīng)用概率線性鑒別分析(PLDA)進(jìn)行降維和信道補(bǔ)償，在一定程度上提高了系統(tǒng)的性能。
　　然后，在i-vector的基礎(chǔ)上，引入了稀疏表示，介紹了基于i-vector的稀疏表示分類器。通過將訓(xùn)練語(yǔ)音提取的i-vector構(gòu)造字典，而將待測(cè)說話人語(yǔ)音提取的i

3、-vector表示為字典中原子的線性組合，根據(jù)稀疏表示系數(shù)對(duì)信號(hào)進(jìn)行重構(gòu)，通過重構(gòu)信號(hào)和原始信號(hào)之間的殘差，決定待測(cè)語(yǔ)音信號(hào)所屬的類別。
　　針對(duì)GMM混合度越高，系統(tǒng)的識(shí)別率越好，但隨著維數(shù)的升高，系統(tǒng)計(jì)算的復(fù)雜度也相應(yīng)的增加。為此，引入了PPCA算法進(jìn)行降維。相比傳統(tǒng)的主成分分析(PCA)，PPCA考慮到成分的概率分布，決定所選取的主成分，克服了PCA只是簡(jiǎn)單的選取最大的幾個(gè)特征值對(duì)應(yīng)的特征向量，不能保證所選擇的主成分一定是對(duì)