文本無關(guān)的說話人識別研究.pdf

1、說話人識別通過說話人的聲音確認其身份，具有其他身份認證技術(shù)不具備的優(yōu)勢，而且語音采集過程簡單，用戶接受度高，在軍事、公安司法部門和互聯(lián)網(wǎng)等領(lǐng)域有著廣泛的應(yīng)用。
　　說話人識別系統(tǒng)的性能易受背景環(huán)境、說話人身體狀況情緒變化及信道失配等問題的影響，提高特征表示能力成為提升系統(tǒng)性能的關(guān)鍵。從特征選擇與提取的角度出發(fā)，本文將常向量方法和深度學(xué)習(xí)應(yīng)用到說話人識別的主流模型中；改進了GMM模型初始化算法；提出了一種GMM超向量的規(guī)整和構(gòu)成方法

2、；從特征補償?shù)慕嵌瘸霭l(fā)，本文對GMM-SVM和全變量因子分析的規(guī)整和補償技術(shù)進行研究。通過實驗驗證上述引入和改進的方法能夠提高確認系統(tǒng)的分類準確率。
　?、俦疚囊氤Ｏ蛄糠椒▽υ碱l譜特征進行空間變換，提取更加有效的語音特征。將CVA與GMM-UBM、GMM-SVM和全變量因子分析模型相結(jié)合，論證了常向量方法應(yīng)用于說話人識別中的有效性。
　　②本文引入深度學(xué)習(xí)對原始頻譜特征進行逐層信息抽取，學(xué)習(xí)到的深度特征作為GMM-UBM

3、和全變量因子分析模型的輸入，論證了深度特征應(yīng)用于說話人識別中的有效性。
　　本文主要研究工作如下：
　　①對語音的特征分析與提取進行研究。本文對語音信號的預(yù)處理、時域以及頻域特征進行簡單介紹。
　　②基于常向量方法的說話人識別研究。本文通過理論分析和實驗論證了將常向量方法應(yīng)用到說話人識別中可有效提高系統(tǒng)的性能；改進了GMM模型初始化方法；提出了一種GMM超向量的規(guī)整和構(gòu)成方法；對全變量因子分析中的規(guī)整方法和信道補償技術(shù)