基于深度學(xué)習(xí)的與文本無關(guān)話者確認研究.pdf

1、隨著科學(xué)技術(shù)的不斷進步，電話已經(jīng)成為人們?nèi)粘Ｉ钪胁豢苫蛉钡囊徊糠帧Ｔ谏矸菡J證技術(shù)研究領(lǐng)域，越來越多的研究人員開始關(guān)注如何使用電話語音進行身份認證，因為相對于其它身份認證技術(shù)來說，使用電話語音進行身份認證所需的設(shè)備簡單、成本低、易獲取，更重要的是在使用電話語音進行身份認證的過程中，用戶不需要接觸設(shè)備，只需要簡單的說一句話，便可完成認證，大大提高了用戶的接受率。另外，說話人確認技術(shù)還是語音識別技術(shù)研究領(lǐng)域的一個重要研究方向，所以說話人確認

2、技術(shù)的研究不僅具有重要的理論研究意義而且還具有廣泛的應(yīng)用前景。
　　目前在說話人確認研究領(lǐng)域中，主流的說話人建模方法都是基于概率統(tǒng)計模型的，其中最具代表性的概率統(tǒng)計說話人模型當(dāng)屬高斯混合模型(GaussianMixture Model，GMM)。高斯混合模型采用非常多的高斯概率密度函數(shù)分量，對說話人的語音特征分布進行了較好的描述，從而取得了不錯的效果;但說話人確認是一個二元分類問題，而高斯混合模型只是一種概率生成性模型，其區(qū)分能力

3、非常有限，所以需要尋找同時具有強大表征能力和很強區(qū)分能力的模型進行說話人建模。近年來，深度學(xué)習(xí)（Deep Learning，DL）理論在模式識別領(lǐng)域掀起了一股非常大的研究熱潮，其出發(fā)點是想構(gòu)建一個復(fù)雜的神經(jīng)網(wǎng)絡(luò)模型來模擬人腦的思維方式，然后對數(shù)據(jù)進行分析和處理。目前深度學(xué)習(xí)理論所依托的實現(xiàn)載體是深度神經(jīng)網(wǎng)絡(luò)（Deep Neural Network，DNN）。深度神經(jīng)網(wǎng)絡(luò)憑借多隱層的結(jié)構(gòu)特點，使得其具有很好的表征能力和區(qū)分能力，目前在模式

4、識別的諸多研究方向都取得了成功應(yīng)用。本文主要研究內(nèi)容就是將具有強大表征能力及區(qū)分能力的深度神經(jīng)網(wǎng)絡(luò)應(yīng)用于說話人確認系統(tǒng)中進行說話人建模，構(gòu)建基于深度神經(jīng)網(wǎng)絡(luò)的話者確認系統(tǒng)，針對建模過程中深度神經(jīng)網(wǎng)絡(luò)輸入特征的選擇、網(wǎng)絡(luò)結(jié)構(gòu)以及網(wǎng)絡(luò)訓(xùn)練方法等關(guān)鍵問題進行了深入的研究，并對多種基于深度神經(jīng)網(wǎng)絡(luò)的說話人確認系統(tǒng)的結(jié)構(gòu)及性能進行對比。
　　首先，介紹了目前說話人確認技術(shù)研究領(lǐng)域最為經(jīng)典的概率統(tǒng)計模型—高斯混合模型，并對其原理進行了詳細闡述

5、。針對其應(yīng)用于說話人確認系統(tǒng)中使用的GMM-UBM結(jié)構(gòu)進行了深入的討論，并對GMM-UBM說話人模型訓(xùn)練過程中使用的MAP算法進行介紹，然后通過實驗分析了混合度的選取對GMM-UBM說話人確認系統(tǒng)整體性能的影響，同時構(gòu)建了本文研究所需的基線系統(tǒng)。
　　接著，對深度神經(jīng)網(wǎng)絡(luò)相關(guān)內(nèi)容展開了討論，介紹了深度神經(jīng)網(wǎng)絡(luò)的發(fā)展歷程，詳細闡述了深度神經(jīng)網(wǎng)絡(luò)的原理及其訓(xùn)練算法，并對深度神經(jīng)網(wǎng)絡(luò)在訓(xùn)練過程中常出現(xiàn)的問題進行了重點討論。本文針對基于G

6、MM-UBM的說話人模型區(qū)分能力差，表征能力不足等問題，引入了深度神經(jīng)網(wǎng)絡(luò)進行說話人建模，構(gòu)建了基于DNN-SPK說話人確認系統(tǒng)。為了進一步的減弱語音倒譜中語義信息的干擾，采用GMM對語音的原始倒譜特征進行聚類變換，抽取原始倒譜特征的統(tǒng)計特征參數(shù)，從而進一步突顯說話人的個性信息，然后將其與深度神經(jīng)網(wǎng)絡(luò)相結(jié)合，構(gòu)建基于GMM-DNN說話人確認系統(tǒng)，大大提高了確認的效果。
　　最后，語音作為一種時序信號，當(dāng)前時刻的信息在一定程度上是受

7、其歷史信息影響的。采用DNN進行說話人建模時，DNN對語音歷史信息的記憶是非常有限的，所以引入了能夠記住長歷史信息的長短時記憶(Long Short TermMemory，LSTM)模型，構(gòu)建了基于LSTM-SPK說話人確認系統(tǒng)，針對采用LSTM進行說話人建模過程中，模型結(jié)構(gòu)的選擇以及如何選取輸入特征參數(shù)和輸出說話人標(biāo)簽等關(guān)鍵問題進行詳細討論。另外，針對LSTM計算復(fù)雜度比較高的問題，探討了采用LSTMP模型替換LSTM模型進行說話人建