2023年全國碩士研究生考試考研英語一試題真題(含答案詳解+作文范文)_第1頁
已閱讀1頁,還剩79頁未讀, 繼續(xù)免費(fèi)閱讀

下載本文檔

版權(quán)說明:本文檔由用戶提供并上傳,收益歸屬內(nèi)容提供方,若內(nèi)容存在侵權(quán),請進(jìn)行舉報或認(rèn)領(lǐng)

文檔簡介

1、隨著互聯(lián)網(wǎng)技術(shù)的迅猛發(fā)展,網(wǎng)絡(luò)逐漸覆蓋到了社會生活的各個角落。在互聯(lián)網(wǎng)環(huán)境中,傳統(tǒng)的身份認(rèn)證方法面臨巨大的挑戰(zhàn),越來越無法適應(yīng)實際應(yīng)用環(huán)境的需求。在所有的身份認(rèn)證方法中,生物特征身份識別技術(shù)是一種基于人類特有的生理和后天特性進(jìn)行的身份識別技術(shù),因其獨(dú)特的優(yōu)勢而在實際中得到了廣泛的應(yīng)用。在所有生物特征身份識別技術(shù)中,與文本無關(guān)的聲紋確認(rèn)技術(shù)被認(rèn)為是最具實用性的生物特征身份識別技術(shù)之一,該技術(shù)通過目標(biāo)說話人的語音對說話人的身份進(jìn)行確認(rèn),是語

2、音識別研究的一個重要分支。在實際應(yīng)用環(huán)境中,受到采集設(shè)備、傳輸線路等多種因素的影響,最終得到的有效語音數(shù)據(jù)非常有限,進(jìn)而使得系統(tǒng)的識別性能和執(zhí)行效率很難達(dá)到理想的識別效果。因此,本文主要基于文本無關(guān)的短語音聲紋確認(rèn)方法進(jìn)行研究。
  在聲紋確認(rèn)系統(tǒng)中,系統(tǒng)的識別率和計算復(fù)雜度是衡量系統(tǒng)性能的重要指標(biāo)。傳統(tǒng)的 UBM-MAP-GMM模型架構(gòu)在一定程度上解決了測試語音與訓(xùn)練語音失配的情況,系統(tǒng)識別性能也比較理想,然而在實際應(yīng)用中,面對

3、短語音問題,該模型的運(yùn)算量需求較大,系統(tǒng)魯棒性較差。因此,本文從減少系統(tǒng)計算量、提高識別率等多個角度出發(fā)對聲紋識別算法進(jìn)行了研究,具體有以下幾個方面:
  1.分析了模型訓(xùn)練中模型初始值對EM算法的影響,針對傳統(tǒng)K-mea ns算法隨機(jī)選擇初始聚類中心可能導(dǎo)致算法局部收斂的缺陷,提出了基于密度和距離的初始聚類中心選擇算法,對K-means算法進(jìn)行了改進(jìn),并且通過實驗證明了算法。
  2.探討分析了UBM-MAP-GMM模型架

4、構(gòu),針對其計算量大、個人聲紋模型GMM服從同一模型結(jié)構(gòu)及部分高斯分量對識別結(jié)果的影響,提出了基于UBM-CM-MAP-GMM模型架構(gòu)的聲紋確認(rèn)方法。實驗證明,該方法使得算法在識別時間、等錯誤率方面都有一定的改善。
  3.在UBM-CM-MAP-GMM模型架構(gòu)中,對聲紋模型GMM的混合度的取值進(jìn)行研究,實驗數(shù)據(jù)顯示當(dāng)GMM混合度為UBM的一半時效果最好。
  4.在UBM-CM-MAP-GMM模型架構(gòu)上實現(xiàn)了短語音聲紋確認(rèn)軟

溫馨提示

  • 1. 本站所有資源如無特殊說明,都需要本地電腦安裝OFFICE2007和PDF閱讀器。圖紙軟件為CAD,CAXA,PROE,UG,SolidWorks等.壓縮文件請下載最新的WinRAR軟件解壓。
  • 2. 本站的文檔不包含任何第三方提供的附件圖紙等,如果需要附件,請聯(lián)系上傳者。文件的所有權(quán)益歸上傳用戶所有。
  • 3. 本站RAR壓縮包中若帶圖紙,網(wǎng)頁內(nèi)容里面會有圖紙預(yù)覽,若沒有圖紙預(yù)覽就沒有圖紙。
  • 4. 未經(jīng)權(quán)益所有人同意不得將文件中的內(nèi)容挪作商業(yè)或盈利用途。
  • 5. 眾賞文庫僅提供信息存儲空間,僅對用戶上傳內(nèi)容的表現(xiàn)方式做保護(hù)處理,對用戶上傳分享的文檔內(nèi)容本身不做任何修改或編輯,并不能對任何下載內(nèi)容負(fù)責(zé)。
  • 6. 下載文件中如有侵權(quán)或不適當(dāng)內(nèi)容,請與我們聯(lián)系,我們立即糾正。
  • 7. 本站不保證下載資源的準(zhǔn)確性、安全性和完整性, 同時也不承擔(dān)用戶因使用這些下載資源對自己和他人造成任何形式的傷害或損失。

評論

0/150

提交評論