復(fù)雜背景下說話人確認(rèn)的研究.pdf

1、復(fù)雜背景下的說話人確認(rèn)是指，在語音信號(hào)背景比較復(fù)雜的情況下，對說話人身份的確認(rèn)工作。復(fù)雜背景包括，除了說話人語音以外，其他的背景音樂、噪聲以及各種雜質(zhì)音質(zhì)。因此，復(fù)雜背景下的說話人確認(rèn)要包括兩大方面的工作，一方面是語音信號(hào)分離;另一方面是對已經(jīng)通過分離算法得到的純凈的語音信號(hào)進(jìn)行身份確認(rèn)。
　　當(dāng)前的語音信號(hào)分離，主要采取兩種方法，一種是聽覺場景分析(ASA)，另一種是盲源分離(BSS)。盲源分離方法是對混合后的信號(hào)進(jìn)行操作，從而

2、提取出其中的獨(dú)立分量，因而此算法也稱為獨(dú)立分量分析(ICA)。ICA有很多的分支方法，其中一種方法在信號(hào)分離領(lǐng)域得到廣泛應(yīng)用，這種方法的分離效果較好，同時(shí)也因?yàn)樗目焖偈諗刻匦?，被稱為固定點(diǎn)FastICA。本文在FastICA算法的原理基礎(chǔ)之上，引入了基于MCMC的貝葉斯估計(jì)，改善了針對非稀疏源信號(hào)的分離情況，提高了FastICA的語音分離效果。
　　在說話人確認(rèn)模型的選取方面，因?yàn)楸疚姆治龅膶ο笫桥c文本無關(guān)的說話人確認(rèn)，故而采用

3、一種對傳統(tǒng)GMM模型的一種改進(jìn)方式:高斯混合模型-全局背景模型(GMM-UBM)，這個(gè)模型可以通過對大量的語音信號(hào)進(jìn)行訓(xùn)練，得到用來描述特征分布的高階GMM，這也是此模型的一大優(yōu)點(diǎn)。針對模型的魯棒性能改進(jìn)，論文采用Feature Mapping和MAP兩種信道補(bǔ)償?shù)姆椒?，都取得了很好的效果?br>　　最后，基于以上各種方法，采用工具Visual Studio2010和Matlab2014a，完成論文介紹的復(fù)雜背景下說話人確認(rèn)系統(tǒng)的研究