基于GMM和SVM的說(shuō)話人識(shí)別系統(tǒng)研究.pdf

1、說(shuō)話人識(shí)別也稱為聲紋識(shí)別，屬于生物特征識(shí)別技術(shù)中的一種，是根據(jù)應(yīng)用語(yǔ)音波形中反映說(shuō)話人行為和生理特征語(yǔ)音參數(shù)，自動(dòng)鑒別說(shuō)話人身份的一種技術(shù)。說(shuō)話人識(shí)別具有不會(huì)遺失和忘記、使用方便等優(yōu)點(diǎn)。因此，其在經(jīng)濟(jì)活動(dòng)，司法領(lǐng)域和軍事領(lǐng)域等獲得了廣泛的應(yīng)用。正因?yàn)檎f(shuō)話人識(shí)別具有如此廣闊的應(yīng)用前景，國(guó)內(nèi)外許許多多的工作者投身于這一領(lǐng)域的研究中。在眾多的說(shuō)話人識(shí)別技術(shù)中，本文主要研究了基于高斯混合模型(GaussianMixture Model簡(jiǎn)稱為GM

2、M)的說(shuō)話人識(shí)別系統(tǒng)。
　　本文首先介紹了說(shuō)話人識(shí)別系統(tǒng)的概念，然后分析了幾種常用的語(yǔ)音特征參數(shù)的提取方法以及說(shuō)話人識(shí)別的幾種模型。說(shuō)話人識(shí)別中有許多先進(jìn)有效的識(shí)別技術(shù)，重點(diǎn)研究了高斯混合模型(GMM)用于說(shuō)話人識(shí)別系統(tǒng)。高斯混合模型(GMM)由于性能較好、復(fù)雜度小、方法簡(jiǎn)單，是目前最好的說(shuō)話人識(shí)別算法之一。本文介紹了GMM模型的概念、模型參數(shù)的估計(jì)以及GMM的識(shí)別算法，并通過(guò)實(shí)驗(yàn)研究分析了GMM模型的階數(shù)對(duì)識(shí)別性能的影響。對(duì)于G

3、MM模型的初始化階段傳統(tǒng)K-means聚類算法在聚類過(guò)程中采取幾何距離就近原則，忽略了特征矢量各維分量對(duì)識(shí)別的影響，無(wú)法得到令人滿意的識(shí)別結(jié)果，文中進(jìn)行了改進(jìn)，并將改進(jìn)后的K-means聚類算法應(yīng)用到說(shuō)話人識(shí)別系統(tǒng)中，驗(yàn)證了該方法的有效性。
　　論文提出了一種基于GMM和SVM模型相結(jié)合的方法，充分利用了GMM模型的統(tǒng)計(jì)特性和SVM模型的良好的分類能力，在識(shí)別時(shí)比單獨(dú)使用GMM和SVM模型取得了更好的結(jié)果。首先利用GMM模型中的E