加權(quán)成對(duì)約束度量學(xué)習(xí)算法在說(shuō)話人識(shí)別中的應(yīng)用.pdf

1、說(shuō)話人識(shí)別技術(shù)是一種通過對(duì)目標(biāo)說(shuō)話人的語(yǔ)音進(jìn)行處理與分析，從而判斷出該說(shuō)話人身份的技術(shù)。目前，說(shuō)話人識(shí)別作為人與計(jì)算機(jī)進(jìn)行交互的一種智能接口有著非常廣泛的用途，它具有方便快捷、經(jīng)濟(jì)可靠和擴(kuò)展性好等許多優(yōu)點(diǎn)，已經(jīng)被廣泛用于遠(yuǎn)程身份驗(yàn)證，同時(shí)在軍事和醫(yī)學(xué)領(lǐng)域，尤其是基于電信網(wǎng)絡(luò)的身份識(shí)別應(yīng)用，說(shuō)話人識(shí)別技術(shù)的前景同樣非常廣闊。
　　如何有效地對(duì)說(shuō)話人語(yǔ)音進(jìn)行相似度判別，是目前說(shuō)話人識(shí)別研究領(lǐng)域非常重要的關(guān)鍵問題之一。模式識(shí)別領(lǐng)域中，樣

2、本間相似度的衡量方法有很多，其中常用的方法有距離打分法，如余弦距離打分(cosine distance scoring)和馬氏距離打分(Mahalanobis distance scoring)等。目前最流行的基于i-vector模型的說(shuō)話人識(shí)別系統(tǒng)常用余弦距離來(lái)衡量說(shuō)話人語(yǔ)音間的相似度，余弦距離打分法根據(jù)樣本向量間的夾角來(lái)判斷樣本間的相似度，難以衡量樣本在量上的區(qū)別。馬氏距離打分法根據(jù)投影在能真實(shí)反映樣本相似性的樣本空間中的新樣本向量

3、間的歐氏距離，來(lái)衡量樣本間的相似度。用于投影到樣本空間的映射矩陣稱為度量矩陣，它可用于描述樣本空間的相似性。不同的度量矩陣描述的樣本空間也不同，只有得到正確的度量矩陣，通過其計(jì)算出來(lái)的馬氏距離才能真實(shí)的反映樣本間的相似性。度量學(xué)習(xí)根據(jù)訓(xùn)練樣本含有的信息，通過自動(dòng)學(xué)習(xí)得到一個(gè)距離度量矩陣，常用于計(jì)算目標(biāo)樣本間的馬氏距離，從而對(duì)未知數(shù)據(jù)的相似度進(jìn)行預(yù)測(cè)。
　　本文主要工作和創(chuàng)新如下：
　　（1）本文對(duì)Cao等提出的子空間相似性度

4、量學(xué)習(xí)(Subspace Similarity Metric Learning，SUB-SML)算法中的子算法(Subspace Metric Learning，SUB-ML)進(jìn)行改進(jìn)，根據(jù)相似訓(xùn)練樣本對(duì)與非相似訓(xùn)練樣本對(duì)在度量學(xué)習(xí)訓(xùn)練過程的影響程度進(jìn)行加權(quán)約束，提出加權(quán)成對(duì)約束度量學(xué)習(xí)(Weighted Pairwise constraint Metric Learning,WPCML)算法。該算法利用成對(duì)訓(xùn)練樣本的約束信息訓(xùn)練一個(gè)用

5、于描述樣本空間相似度的度量矩陣，用來(lái)計(jì)算i-vector語(yǔ)音樣本間的馬氏距離。該算法的原理非常直觀，而且簡(jiǎn)單有效，目標(biāo)函數(shù)的最優(yōu)化求解能得到全局最優(yōu)解，并能迅速求得滿足設(shè)定條件的度量矩陣，而用于訓(xùn)練的樣本對(duì)只需知道其是否屬于同類。美國(guó)國(guó)家標(biāo)準(zhǔn)技術(shù)局(NIST)說(shuō)話人評(píng)測(cè)(SRE)2008年數(shù)據(jù)集上的實(shí)驗(yàn)結(jié)果表明，WPCML算法訓(xùn)練度量矩陣用于馬氏距離相似度打分的分類性能優(yōu)于余弦距離相似度打分。
　　（2）訓(xùn)練樣本對(duì)集的構(gòu)造是度量學(xué)