本文關(guān)鍵詞：基于GMM與改進LS-SVM算法的說話人識別研究

  更多相關(guān)文章： 說話人識別 高斯混合模型 支持向量機 稀疏算法 模糊算法

【摘要】：語音信號中包含著許多信息,例如語音的內(nèi)容、語音的語種、說話人的性別和身份信息等。說話人識別技術(shù)是將語音信號中表明說話人身份的特征提取出來,再利用這些特征來辨別說話人身份的技術(shù)。說話人識別不但具有不會遺忘、不需記憶、使用方便等優(yōu)點,還有其獨特的優(yōu)勢,如：傳感器成本低、非接觸性、可用于遠程驗證等,已經(jīng)逐漸發(fā)展成生物認(rèn)證領(lǐng)域的關(guān)鍵技術(shù)。最小二乘支持向量機是說話人識別系統(tǒng)中運用較廣泛的一種方法,其本質(zhì)上是標(biāo)準(zhǔn)支持向量機的一種改進形式,優(yōu)勢在于樣本訓(xùn)練速度快、有效克服“維數(shù)災(zāi)難”問題以及易于實現(xiàn)。不過,由于其不具備標(biāo)準(zhǔn)支持向量機解的稀疏性性質(zhì),所以導(dǎo)致系統(tǒng)復(fù)雜度變大同時影響識別效率,針對這個問題進行研究,提出將高斯混合模型與改進最小二乘支持向量機結(jié)合的方法。首先,對最小二乘支持向量機進行深入研究,并且將其運用到說話人識別系統(tǒng)中,避免對先驗知識的需求以及“欠學(xué)習(xí)”、“過學(xué)習(xí)”情況的出現(xiàn)。然后,考慮解決系統(tǒng)的學(xué)習(xí)能力以及抗噪能力的問題,重點研究選擇模型參數(shù)的方法,采用K折方法對參數(shù)進行優(yōu)化。緊接著,引入K均值預(yù)選算法及快速剪枝算法,并將其與最小二乘支持向量機結(jié)合起來,用以彌補最小二乘支持向量機解的稀疏性不足的問題。最后,考慮常用的多分類算法存在無法分割的區(qū)域,將模糊算法與稀疏最小二乘支持向量機結(jié)合。實驗中對矢量量化方法、對數(shù)似然度方法以及標(biāo)準(zhǔn)支持向量機方法進行比較,結(jié)果顯示在綜合考慮算法效率以及識別率時,支持向量機效果最好,緊接著在不同大小語音樣本庫前提下,將標(biāo)準(zhǔn)支持向量機、最小二乘支持向量機以及稀疏最小二乘支持向量機的多項指標(biāo)作對比,可以得出稀疏最小二乘支持向量機算法效率及識別率有所改進,最后將稀疏最小二乘支持向量機與模糊最小二乘支持向量機進行比較,可知模糊最小支持向量機識別率更高。
【關(guān)鍵詞】：說話人識別 高斯混合模型 支持向量機 稀疏算法 模糊算法
【學(xué)位授予單位】：中國科學(xué)技術(shù)大學(xué)
【學(xué)位級別】：碩士
【學(xué)位授予年份】：2015
【分類號】：TN912.34
【目錄】：

• 摘要5-6
• ABSTRACT6-11
• 第1章 緒論11-19
• 1.1 說話人識別的概述及應(yīng)用前景11
• 1.2 說話人識別的發(fā)展11-12
• 1.3 說話人識別的基本問題12-17
• 1.3.1 不同分類12-13
• 1.3.2 系統(tǒng)結(jié)構(gòu)13-14
• 1.3.3 核心技術(shù)14-16
• 1.3.4 系統(tǒng)的評測指標(biāo)16-17
• 1.4 本文主要研究內(nèi)容17-19
• 第2章 語音信號處理19-31
• 2.1 語音信號預(yù)處理19-23
• 2.1.1 預(yù)加重19-20
• 2.1.2 加窗處理20
• 2.1.3 端點檢測20-23
• 2.2 倒譜分析23-24
• 2.3 提取特征參數(shù)24-29
• 2.4 本章小結(jié)29-31
• 第3章 說話人模型建立31-49
• 3.1 矢量量化模型31-39
• 3.1.1 矢量量化的基本原理31-33
• 3.1.2 矢量量化的失真測度33-35
• 3.1.3 碼本的設(shè)計35-39
• 3.2 高斯混合模型39-47
• 3.2.1 高斯混合模型的訓(xùn)練40-41
• 3.2.2 通用背景模型41-45
• 3.2.3 最大后驗概率估計45-46
• 3.2.4 均值超向量46-47
• 3.3 本章小結(jié)47-49
• 第4章 說話人模型識別49-67
• 4.1 統(tǒng)計學(xué)習(xí)理論49-51
• 4.1.1 VC維49
• 4.1.2 結(jié)構(gòu)風(fēng)險最小化49-51
• 4.2 支持向量機51-57
• 4.2.1 最優(yōu)分類面51-53
• 4.2.2 核函數(shù)53-54
• 4.2.3 多類分類54-56
• 4.2.4 LIBSVM的應(yīng)用56-57
• 4.3 最小二乘支持向量機57-60
• 4.3.1 最小二乘支持向量機基本概念57-58
• 4.3.2 稀疏最小二乘支持向量機58-59
• 4.3.3 模糊最小二乘支持向量機59-60
• 4.4 支持向量機在說話人識別中的應(yīng)用60-63
• 4.4.1 支持向量機的應(yīng)用60
• 4.4.2 最小二乘支持向量機的應(yīng)用60-61
• 4.4.3 稀疏最小二乘支持向量機的應(yīng)用61-62
• 4.4.4 模糊最小二乘支持向量機的應(yīng)用62-63
• 4.5 對數(shù)似然得分63-64
• 4.6 模型參數(shù)選擇方法64-65
• 4.7 本章小結(jié)65-67
• 第5章 實驗與分析67-73
• 5.1 實驗數(shù)據(jù)庫67
• 5.2 實驗環(huán)境與性能指標(biāo)67-68
• 5.3 實驗設(shè)計68-72
• 5.3.1 不同識別方法的性能對比68-69
• 5.3.2 三種SVMs算法比較實驗69-71
• 5.3.3 模糊LS-SVM與稀疏LS-SVM對比71-72
• 5.4 本章小結(jié)72-73
• 第6章 總結(jié)與展望73-75
• 參考文獻75-79
• 致謝79-81
• 在讀期間發(fā)表的學(xué)術(shù)論文與取得的其他研究成果81

【參考文獻】

中國碩士學(xué)位論文全文數(shù)據(jù)庫 前1條

1 孫望;語音識別技術(shù)的研究及其在發(fā)音錯誤識別系統(tǒng)中的應(yīng)用[D];南京航空航天大學(xué);2008年

，

本文編號：594911